基于多尺度特征融合卷积神经网络的宫颈癌细胞检测与识别
Detection and Recognition of Cervical Cancer Cells Based on Multiscale Feature Fusion Convolution Neural Network
随着医学影像处理和模式识别技术的不断发展,基于数字图像处理的宫颈癌细胞检测技术应运而生.该技术有望代替传统的人工筛查方法,解决人工筛查方法中工作量大、成本高、可靠性与准确性受医师专业水平和主观情绪的影响等问题.由于该技术目前正处于起步阶段,检测的智能化程度和准确性还不是很高.针对现有的问题,本文在当前研究基础之上,对宫颈癌细胞检测进行了更深入的研究.首先,本文对宫颈细胞图像进行自动采集,使用提出的最大多向梯度累加清晰度评价算法和二分步长爬山搜索算法实现图像自动聚焦.其次,针对依靠细胞精确分割以及人工选择算子进行特征提取再分类的传统分类方法的局限性,本文通过自适应阈值算法和形态学检测后,对采集到的细胞图像进行剪裁,把剪裁后的图片直接送入改进的深度卷积神经网络模型进行训练从而完成识别.该模型使用连续多个较小卷积核的卷积层代替一个较大卷积核的卷积层,既减少了网络参数又增加了网络的非线性,同时在网络模型中加入批标准化、Dropout等优化方法.针对现有数据集样本数量不足导致网络模型不能有效学习的问题,本文提出了一种小样本数据增强的方法.为了进一步提升网络的分类能力,本文对网络模型进行改进,提出了一种改进的多尺度特征融合的卷积神经网络模型,该模型融合了不同大小卷积核卷积层的特征图,在保证网络深度的同时平衡了网络的宽度.实验结果表明,本文提出的图像清晰度算法效果优于其他传统算法,改进后的爬山搜索算法可以有效减少聚焦点的搜索时间,提出的基于小样本数据增强的多尺度特征融合卷积神经网络模型分类准确率高,并具有较好的敏感性与特异性.
- 作者：
- 陆春宇
- 学位授予单位：
- 哈尔滨理工大学
- 专业名称：
- 控制工程(专业学位)
- 授予学位：
- 硕士
- 学位年度：
- 2019年
- 导师姓名：
- 黄金杰
- 中图分类号：
- R737.33；TP391.41；TP183
- 关键词：
- 医学图像处理；癌细胞检测；自动聚焦；卷积神经网络
- Medical image processing; Cervical cancer cell detection; Autofocus; Convolutional neural network;