机器视觉方法用于使用帕普涂抹图像进行宫癌查:系统性审查

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 子宫癌仍然是导致死亡的主要原因,特别是在发展中国家.
• 涂抹检查对于早期检测至关重要,机器学习提高了诊断准确度.
• 机器视觉框架越来越多地应用于巴氏涂抹图像分析,以改善查.

研究的目的:

• 系统地审查基于机器视觉的框架,用于使用巴氏涂片图像进行宫癌查.
• 在当前的机器学习方法中分析细分,特征提取和分类方法.
• 评估用于宫癌查的常用数据集的有效性和相关性.

主要方法:

• 按照PRISMA指南进行系统审查.
• 机器视觉技术的分析,包括细分,特征提取和分类.
• 检查用于机器学习的数据集,用于帕普查分析.

主要成果:

• 深度学习方法在大型的注释数据集中实现更高的准确性.
• 缺乏高质量的多细胞数据集和不一致的评估指标,阻碍了研究的直接比较.
• 没有一个框架在所有场景中始终优于其他框架.

结论:

• 取得了重大进展,但在一般化和临床实施方面仍然存在挑战.
• 深度学习和混合模型显示出潜力,但需要强大的数据集和标准化的评估.
• 未来的研究应该专注于创建标准化的数据集和评估框架,以提高临床适用性和系统可扩展性.