使用卷积神经网络模型对DPAGCHE增强的巴氏涂片图像进行宫癌分类的比较分析
Khalis Khiruddin1, Wan Azani Mustafa1,2, Md Ashequl Islam3
1Faculty of Electrical Engineering & Technology, Universiti Malaysia Perlis, Pauh Putra Campus, Arau, Perlis, Malaysia.
PloS one
|September 8, 2025
概括
通过使用增强的巴氏涂片图像,提高了自动化宫癌检测. 采用DPAGCHE预处理的ResNet50模型实现了84.15%的准确性,显著提高了早期诊断的分类性能.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 在瘤学瘤学.
背景情况:
- 宫癌是全球主要的健康问题,传统诊断在准确性和效率方面面临限制.
- 需要自动化方法来改善从巴氏涂片图像早期检测子宫癌.
- 像低对比度和噪音等图像质量问题阻碍了自动诊断系统的性能.
研究的目的:
- 开发和评估一种自动化分类方法,用于使用增强的巴氏涂抹图像检测宫癌.
- 评估图像增强技术对用于宫癌分类的深度学习模型性能的影响.
- 为了比较不同预训练的卷积神经网络 (CNN) 模型与增强的图像预处理的有效性.
主要方法:
- 使用预先训练有素的CNN (包括ResNet50) 进行转移学习来分类巴氏涂片图像.
- 实施数据增强技术 (旋转,翻转,移位) 以提高模型的概括性.
- 应用了Denoised配对自适应性马与剪切组图平衡 (DPAGCHE) 方法来提高图像对比度和降低噪音.
- 在Herlev数据集上使用MATLAB在线训练和评估模型.
主要成果:
- 在DPAGCHE增强图像上训练的ResNet50模型获得了最高的精度 (84.15%),精度,回忆和F1分数.
- 与原始图像相比,DPAGCHE预处理显著改善了分类指标,F1分数增加了53.65%,精度提高了44.29%.
- 增强的预处理方法超过了基线CNN (66.67%准确率),并突出了深度学习架构的好处.
结论:
- 将DPAGCHE增强的图像预处理与深度学习模型,特别是ResNet50集成,显著改善了自动化宫癌检测.
- 对比度增强和降噪对于提高宫癌自动诊断系统性能至关重要.
- 拟议的方法为更准确,更有效的宫癌早期检测提供了有希望的方法,降低了死亡率.
