利用卷积神经网络架构诊断宫颈癌的新见解
图像与视频处理
2024-10-24 v1 人工智能
计算机视觉与模式识别
摘要
巴氏涂片是宫颈癌早期诊断的一种筛查方法。在卷积神经网络(CNN)模型中，选择正确的优化器是CNN在图像分类（包括宫颈癌巴氏涂片图像分类）中取得成功的关键。本研究使用随机梯度下降(SGD)、RMSprop、Adam、AdaGrad、AdaDelta、Adamax和Nadam优化器，对来自SipakMed数据集的宫颈癌巴氏涂片图像进行分类。Resnet-18、Resnet-34和VGG-16是本研究使用的CNN架构，每个架构都采用了迁移学习模型。基于测试结果，我们得出结论：迁移学习模型在所有CNN和优化技术上都表现更好，并且在迁移学习模型中，优化对模型训练的影响很小。Adamax在VGG-16和Resnet-18架构上分别取得了72.8%和66.8%的最佳准确率。Resnet-34的准确率为54.0%，比Nadam低0.034%。总体而言，Adamax是用于Resnet-18、Resnet-34和VGG-16架构上宫颈癌分类的CNN的合适优化器。本研究为巴氏涂片图像分析的CNN模型配置提供了新的见解。
引用
@article{arxiv.2410.17735,
title = {New Insight in Cervical Cancer Diagnosis Using Convolution Neural Network Architecture},
author = {Ach. Khozaimi and Wayan Firdaus Mahmudy},
journal= {arXiv preprint arXiv:2410.17735},
year = {2024}
}