用于宫颈细胞检测的整体与历史实例对比

基于 Papanicolaou (Pap) 涂片的细胞学筛查是宫颈癌预防性临床管理的常见且有效的工具，其中从全视野数字图像中检测异常细胞是宫颈细胞学报告的基础。然而，宫颈细胞检测仍具挑战性，原因在于：1) 细胞类型定义模糊（如 ASC-US），且由动态癌变过程导致的细微形态差异，即细胞类别模糊性；2) 临床数据的类别分布不平衡可能导致漏检，尤其是对于少数类别，即细胞类别不平衡。为此，我们提出了一种用于宫颈细胞检测的整体与历史实例对比方法。具体而言，我们首先开发了一种整体实例对比方案，同时强制执行 RoI 级别和类别级别的细胞区分。这种由粗到细的细胞对比鼓励模型学习前景可辨且类别明确的表示。为了重点提升少数类别的可辨别性，我们随后引入了一种基于置信样本选择记忆库的历史实例对比方案，该方案通过将当前嵌入与历史嵌入进行对比以更好地进行细胞实例区分。在包含 42,592 和 114,513 个宫颈细胞的两个大规模细胞学数据集上的大量实验与分析证明了我们方法的有效性。代码可在 https://github.com/hjiangaz/HERO 获取。