基于蜘蛛猴优化的混合 Dense-UNet201 优化用于乳头瘦 Smear 图像分割
计算机视觉与模式识别
2025-04-18 v1 人工智能
摘要
乳头瘦 Smear 图像分割对于子宫颈癌诊断至关重要。然而，传统分割模型常常在复杂的细胞结构和乳头瘦图像的变异性方面存在挑战。本研究提出了一种混合 Dense-UNet201 优化方法，将预训练的 DenseNet201 作为 U-Net 架构的编码器，并使用蜘蛛猴优化（SMO）算法进行优化。Dense-UNet201 模型在特征提取方面表现出色。对 SMO 进行修改以处理类别和离散参数。本研究使用 SIPaKMeD 数据集，并使用损失、准确率、交并比（IoU）和 Dice 系数等关键性能指标进行评估。实验结果显示，Dense-UNet201 在 U-Net、Res-UNet50 和 Efficient-UNetB0 方面表现更优。SMO Dense-UNet201 实现了 96.16% 的分割准确率、91.63% 的 IoU 和 95.63% 的 Dice 系数。这些发现凸显了图像预处理、预训练模型和元启发式优化在改善医学图像分析和提供新颖子宫颈细胞分割方法方面的有效性。
引用
@article{arxiv.2504.12807,
title = {Hybrid Dense-UNet201 Optimization for Pap Smear Image Segmentation Using Spider Monkey Optimization},
author = {Ach Khozaimi and Isnani Darti and Syaiful Anam and Wuryansari Muharini Kusumawinahyu},
journal= {arXiv preprint arXiv:2504.12807},
year = {2025}
}