通过改进的UNet架构来对宫细胞的细胞核进行细分
Assad Rasheed1, Syed Hamad Shirazi1, Arif Iqbal Umar1
1Department of Computer Science & Information Technology, Hazara University Mansehra, Mansehra, Pakistan.
PloS one
|October 3, 2023
概括
我们开发了C-UNet,这是一个深度学习模型,用于在细胞学图像中精确的宫核细分. 这种先进的模型显著提高了计算机辅助诊断 (CAD) 系统的准确性.
科学领域:
- 医学图像分析分析
- 计算病理学计算病理学
- 用于医学成像的深度学习
背景情况:
- 精确的核细分对于宫细胞学中的计算机辅助诊断 (CAD) 至关重要.
- 挑战包括细胞聚集,颜色变化,噪音和宫细胞图像中的模糊边界.
- 深度学习为克服这些细分困难提供了一个有希望的方法.
研究的目的:
- 提出C-UNet,一种用于细分宫核的新型深度学习模型.
- 为了应对重叠,模糊和模糊的宫细胞涂抹图像所带来的挑战.
- 评估C-UNet在复杂的宫细胞数据集上的有效性.
主要方法:
- 在C-UNet模型中,它的编码器集成了一个双向特征金字塔网络 (BiFPN) 和一个广泛的上下文单元.
- 解码器具有两个相互连接的解码器,用于相互优化和功能集成.
- 使用数据增强技术来增强模型训练.
主要成果:
- 与CGAN,DeepLabv3,Mask-RCNN和FCN等现有模型相比,C-UNet表现出优越的性能.
- 在复杂的宫细胞数据集和ISBI-2014/2015数据集上实现了高准确度的指标.
- 关键结果包括93%的对象级准确度,92.56%的像素级准确度,95.32%的对象级回忆,92.27%的像素级回忆,93.12%的子系数,94.96%的F1分数.
结论:
- 拟议的C-UNet模型有效地将子宫核分成具有挑战性的图像.
- 在宫细胞学中,C-UNet为自动核细分提供了显著的进步.
- 该模型的性能突出显示了其在改进计算机辅助诊断系统方面的潜力.
