论文部分内容阅读
宫颈癌已成为影响女性健康的主要疾病之一,并且发病率正在不断增加。宫颈癌的早期诊断是预防和治愈宫颈癌的关键。基于宫颈抹片显微图像的病理检查是目前宫颈癌诊断的主要方法之一。随着计算机辅助诊断技术的不断发展和创新,研究者提出了使用计算机来自动分析宫颈抹片显微图像的辅助诊断方法。在基于手工特征的辅助诊断方法中,由于宫颈抹片显微图像中存在对比度差、染色不均以及细胞核粘连重叠等问题,使得宫颈抹片显微图像的精准分割仍存在困难。基于深度学习的宫颈抹片显微图像分类可以从原始数据中自动学习和提取复杂的识别信息,并且能够避免细胞分割引起的误差。但是基于深度学习的方法由于参数数量庞大,需要大量标记样本来建立稳定模型,针对宫颈抹片显微图像的小样本问题,迁移学习被引入到图像分类中。但是,基于深度迁移学习的宫颈抹片显微图像分类面临着小样本的深度高阶特征易引起过拟合,迁移学习模型泛化能力受限的问题,限制了模型的准确性和稳定性。针对上述问题,本文研究并提出了两种基于深度迁移学习的宫颈抹片显微图像分类算法,分别通过降低模型参数和减少特征维数来解决过拟合问题,提高模型泛化能力。本文的研究工作主要包括:(1)提出了基于深度迁移学习和自适应剪枝的宫颈抹片显微图像分类方法。该方法首先使用源数据集来预训练卷积神经网络,然后根据宫颈抹片显微图像的特点重构模型,再将预训练模型中卷积层和池化层的参数迁移到重构模型中。在此基础上,该方法对模型的卷积核和神经元进行剪枝操作,去掉冗余的卷积核与神经元。考虑到源数据集和目标数据集的共同作用,本文采用卷积核权重值与目标数据集图像输出特征值相结合的剪枝准则。利用该剪枝准则对迁移学习后的重构模型进行剪枝和优化,最终得到最优的宫颈抹片显微图像分类模型。(2)提出了基于混合深度网络结构的宫颈抹片显微图像分类方法。该方法将预训练卷积神经网络直接运用在宫颈抹片显微图像数据集上,提取图像的深度高阶特征。然后根据宫颈抹片显微图像数据集的特点,采用流形学习的方式对宫颈抹片显微图像的深度高阶特征进行非线性降维,除去原始特征中的干扰噪声,最后使用支持向量机对降维后特征进行分类。本文的研究工作解决了基于深度迁移学习的宫颈抹片显微图像分类中的过拟合问题,提高了模型的泛化性能。为宫颈癌的计算机辅助诊断提供了新的解决办法,具备一定的理论意义和临床应用价值。