一个基于改进的DenseNet121的自动宫细胞分类模型
Yue Zhang1, Chunyu Ning2, Wenjing Yang1
1Department of Biomedical Engineering, School of Life Science and Technology, Changchun University of Science and Technology, Changchun, 130022, China.
Scientific reports
|January 25, 2025
概括
一个新的深层卷积神经网络,A2SDNet121,提高了宫细胞分类准确性,用于早期检测宫癌. 这种先进的模型显著提高了宫癌查的准确性和效率.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 医疗保健中的人工智能
背景情况:
- 宫细胞分类对于早期发现宫癌和改善患者的治疗结果至关重要.
- 现有的方法在分类细胞异常时面临着低准确度的挑战.
- 准确的分类有助于及时诊断和治疗,提高治愈和生存率.
研究的目的:
- 为了解决宫细胞分类的低准确性.
- 提出一个深层卷积神经网络,A2SDNet121,以改善宫细胞分类.
- 提高宫癌查的准确性和效率.
主要方法:
- 开发了A2SDNet121,一个使用DenseNet121作为骨干的深度卷积神经网络.
- 整合了SE模块,以专注于核心区域,优化诊断信息的捕获.
- 调整了Stem层中的卷积内核和聚合窗口大小,以有效地提取本地特征.
- 集成的体密集块 (ADB) 获取全球和本地突出特征信息.
主要成果:
- 在Herlev数据集上,A2SDNet121在2级和7级分类任务中实现了99.75%和99.14%的准确性.
- 在SIPaKMeD数据集上,准确率达到99.55% (2级),99.75% (3级) 和99.22% (5级).
- 在宫细胞的多重分类任务中超越了最先进的算法.
结论:
- A2SDNet121显著提高了宫癌查的准确性和效率.
- 该模型的改进使得能够更有效地检测细胞异常.
- 这一进步有望为早期诊断和更好的宫癌管理提供希望.
