基于CNN的方法,在巴氏涂片图像中分类宫癌细胞

科学领域:

• 医疗成像医学成像
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 宫癌的诊断依赖于早期检测,这是由于无症状的早期阶段具有挑战性的.
• 机器学习和深度学习在医学图像中对癌细胞进行分类方面表现有前途.
• 当前的方法通常涉及在细胞分类之前对整个幻灯片图像 (WSI) 的细分,而细分的准确性会影响整体性能.

研究的目的:

• 开发和评估一种基于CNN的方法,用于准确地分类宫癌细胞.
• 调查WSI宫细胞群的直接分类方法,绕过细分的需要.
• 将拟议方法的性能与现有基准进行比较.

主要方法:

• 使用预训练的卷积神经网络 (CNN) 模型进行转移学习.
• 应用深度学习方法来提取用于分类巴氏涂抹图像的特征.
• 开发了WSI宫细胞组的直接分类方法,消除了细分步骤.

主要成果:

• 在SIPaKMeD数据集上实现了高分类准确性:WSI补丁的96.74%和全细胞图像的97.55%.
• 在Herlev数据集上获得了90.42%的准确性.
• 证明WSI宫细胞组的直接分类是有效的,分段不是严格必要的高性能.

结论:

• 提出的基于CNN的方法准确地区分了癌症和非癌症的宫细胞.
• 直接分类WSI宫细胞组为基于细分的方法提供了可行的和高效的替代方案.
• 这种方法有可能通过自动化图像分析来改善早期宫癌检测.