基于深度学习的宫颈癌诊断与持续学习方法.pdf

基于深度学习的宫颈癌诊断与持续学习方法

摘要

宫颈癌是女性最常见的癌症之一，给女性健康造成了严重影响。据统计，

我国宫颈癌的发病率和致死率较高，约占全球总数的五分之一。早期筛查可

以大大降低宫颈癌的发病率和死亡率。传统的宫颈癌诊断方法需要医生在显

微镜下仔细观察样本细胞，不仅效率低下而且严重浪费医疗资源。随着深度

学习的发展，自动化宫颈癌样本诊断成为研究的热点。近年来，研究者组合

多种神经网络逐步分析诊断过程中的各个子问题，成功构建了自动化宫颈癌

诊断方法。然而现有的宫颈癌诊断方法在投入实际应用时，仍然面临很多问

题与挑战。多模型网络需要专业医生标注大量的训练数据，训练成本极高。

同时模型之间的融合辅助模块无法自主学习，需要人工调节。进一步地增加

了部署的难度。此外不同医疗机构往往使用不同的制片方式与扫描仪，这使

得不同机构的数据分布具有较大差异，增加了模型诊断的难度。为解决这些

问题，本文主要进行了以下研究：

（1）针对宫颈癌异常细胞检测任务中由于个体差异大导致细胞检测率

低的问题，提出了一种基于Transformer的轻量化跨图像交互目标检测模型。

首先提出了轻量化全局交互机制，以线性时间复杂度补充了Transformer目标

检测模型的全局交互能力。然后提出了跨图像融合机制，利用记忆化模块融

合并存储样本图像块的全局特征，将全局交互的范围扩展到不同图像之间。

使网络在识别细胞的病变类型时，可以轻松读取远处甚至是其他图像中的细

胞特征进行辅助分析，大幅度提高了模型的检测精度。

（2）针对多模型宫颈癌诊断方法中训练成本高以及辅助模块不能自主

学习的问题，提出基于多阶段自监督宫颈癌全景图像分类方法。并使用核质

分区的遮盖自编码预训练方法、基于细胞特征的对比学习预训练方法以及基

于诊断经验的双层对比学习预训练方法，引导模型学习细胞特征与医学知识。

实现包含两种神经网络组成，无需人工调节辅助模块的宫颈癌诊断方法。并

快速推进网络的学习进程，弥补简单模型学习能力较弱的缺陷。

（3）针对宫颈癌样本在应用场景中面临的复杂数据环境，提出了结合

医学经验与半监督训练的宫颈癌诊断持续学习方法。首先本文提出了一种弱

监督宫颈癌全景图像质量评估网络。使用该网络可以筛查并过滤低质量样本

数据，为诊断方法的持续学习提供数据保障。接着结合医学知识提出了数据

筛选策略，并将其与主动教师训练相结合，对细胞检测模型进行半监督学习。

使细胞检测模型在无需人工标注的情况下自主学习，适应新的数据分布。最

后引入了基于贪婪采样器与傻瓜式学习的全景图像分类网络类别均衡学习。

使诊断方法平衡地学习各个医疗机构的数据分布，均衡地提升对各个医疗机

构样本的诊断能力。

综上所述，本文针对宫颈癌诊断中的实际应用问题提出了高效、可靠的

解决方案。首先利用目标检测模型定位和识别细胞图像。然后通过全景图像

分类网络诊断患者的病变类型。最后通过持续学习方法不断获取高质量数据，

均衡地提升模型在各类医疗机构数据上的诊断性能。本文所提出的方法结合

了多种深度学习技术和医学诊断领域的知识，可有效完成宫颈癌病变类型的

诊断，有助于更多宫颈癌患者进行疾病筛查。

关键词深度学习；全景图像分类；细胞检测；多实例学习；持续学习

DeepLearning-BasedCervicalCancerDiagnosisand

ContinualLearningApproach

Abstract

Cervicalcancerstandsasoneofthemostprevalentcancersamongwomen,

significantlyaffectingfemalehealth.InChina,theincidenceandmortalityratesof

cervicalcancerarenotablyhigh,accountingforapproximatelyone-fifthoftheglobal

total.Earlyscreeninghasshownsubstantialeffectivenessinreducingboththeincidence

andmorta