基于深度学习的宫颈病理图像诊断研究.pdfVIP

摘要

宫颈癌全球发病率居高不下，优化宫颈癌筛查服务能保障女性健康水平。传统

的宫颈癌筛查过程不仅工作量大，而且在医生经验不足的情况下容易误诊。将深度

学习运用于宫颈癌筛查，代替传统的宫颈癌筛查过程，减轻医务人员的工作压力，

具有重要的社会应用价值。

目前，宫颈异常细胞检测算法虽能提高检测的效率，但是面对背景复杂、特征

表现不明显、小目标繁多的宫颈病理图像时，还是会有漏检、误检的情况发生，并

且用于实验的宫颈异常细胞病理图像数据集较少，但是图像中细胞种类相对繁杂

对其进行标注的工作量仍然很大。针对以上这些挑战，本文使用了由医院提供临床

脱敏数据集，对此数据集首先使用了DCGAN网络生成宫颈异常细胞图像，提升

数据集的数量和质量，然后，提出了基于改进YOLOv5的宫颈异常细胞检测算法，

有效地提高对宫颈异常细胞检测精度。本文主要研究工作与创新性包括以下内容：

（1）数据集的建立。从荆州市人民医院获取临床病理图像资源并进行了脱敏

处理。宫颈病理图像数据数量不足的情况下，在图像预处理阶段使用DCGAN生

成一组宫颈细胞图像，然后使用DCGAN网络来学习图像的信息。随着网络训练

完成后DCGAN可以生成新的宫颈细胞图像。

（2）添加小目标检测层。在YOLOv5三个检测层的基础上，添加了小目标层，

以提取更多的小目标细节。

（3）融入注意力机制。在YOLOv5算法中融入CA注意力模块，对卷积神经

网络中的通道维度进行自适应重要性分配，深入挖掘通道间的相互关系，突出更有

信息量的特征通道，增强特征表现能力，从而增加网络对复杂背景下的小目标的识

别能力。

（4）改进特征融合结构。结合BiFPN结构，通过添加额外的连接来增强低层

次与高层次特征之间的特征信息，使得网络能在进行特征融合时能够高效传递和

细化特征，提高了小目标的检测能力与多尺度特征融合效果。

（5）引入新的IoU损失函数。采用SIoU算法，通过考虑预测框与实际框之

间的角度差异，引入角度损失，提高模型的回归效率和检测精度，加快模型训练过

程中的收敛速度。

通过实验证明，使用DCGAN来学习图像的信息生成新的宫颈细胞图像，生

成的图像与真实图像非常相似，并且可以用于宫颈异常细胞目标检测实验；基于改

进YOLOv5的宫颈异常细胞检测算法在原始YOLOv5算法的基础上，将检测精度

从95.8%提高到了98.0%。在遇到背景复杂，图像不清晰的宫颈细胞图像时，网络

也有十分优异的检测效果，证明本文改进内容的可行性。

关键词：目标检测，DCGAN，BiFPN，CA注意力，SIoU

Abstract

Theglobalincidenceofcervicalcancerremainshigh,andoptimizingcervicalcancer

screeningservicescansafeguardwomenshealth.Thetraditionalcervicalcancer

screeningprocessisnotonlylaborintensive,butalsopronetomisdiagnosiswhendoctors

areinexperienced.Applyingdeeplearningtocervicalcancerscreeningtoreplacethe

traditionalcervicalcancerscreeningprocessandreducetheworkpressureofmedical

staffhasimportantsocialapplicationvalue.

Atpresent,althoughthecervicalabnormalcelldetectionalgorithmcanimprovethe

efficiencyofdetection,butinthefaceofthecervicalpathologyimageswithcomp