基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞病變圖像識(shí)別研究.pdf

1、目前傳統(tǒng)的宮頸細(xì)胞識(shí)別主要都是先經(jīng)過(guò)細(xì)胞圖像分割，人工設(shè)計(jì)算子選取特征，然后選用分類(lèi)器進(jìn)行識(shí)別。在宮頸細(xì)胞分割與特征提取階段，使用此類(lèi)方法需要掌握一定的病理醫(yī)學(xué)常識(shí)，而且由于特征是人為選取，有時(shí)候選取的特征并不具有代表性，會(huì)導(dǎo)致識(shí)別效果不明顯，因此本文將深度學(xué)習(xí)框架下的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于宮頸細(xì)胞識(shí)別的領(lǐng)域進(jìn)行研究。
　　卷積神經(jīng)網(wǎng)絡(luò)是將人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)相結(jié)合的一種新型人工神經(jīng)網(wǎng)絡(luò)，能夠?qū)⑻卣魈崛∨c識(shí)別分類(lèi)工作相結(jié)合，其最主要

2、的特點(diǎn)是局部感受野、權(quán)值共享和空間子采樣，能夠提取數(shù)據(jù)的局部特征，因此在圖像識(shí)別領(lǐng)域獲得了廣泛的應(yīng)用。本文將卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到宮頸細(xì)胞圖像識(shí)別中，本文的方案具有圖像可以直接輸入，特征自主提取的特點(diǎn)，可以提高宮頸細(xì)胞圖像識(shí)別的智能化水平與效率。本文完成的主要研究工作如下:
　　(1)本文詳細(xì)闡述了卷積神經(jīng)網(wǎng)絡(luò)的理論、特點(diǎn)和結(jié)構(gòu)，為模型的改進(jìn)提供理論基礎(chǔ)。本文在LeNet-5模型的基礎(chǔ)上，構(gòu)造了若干個(gè)具有不同的層間連接方式的抽取特

3、征的濾波器層的卷積神網(wǎng)絡(luò)模型，并將這些模型應(yīng)用到宮頸細(xì)胞圖像的識(shí)別中，通過(guò)仿真實(shí)驗(yàn)比較各個(gè)模型的分類(lèi)效果，分析了不同數(shù)量的過(guò)濾器對(duì)網(wǎng)絡(luò)性能的影響。
　　(2)在上文研究的基礎(chǔ)上繼續(xù)探究影響網(wǎng)絡(luò)識(shí)別性能的因素，通過(guò)調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的卷積核尺寸、下采樣方法、激活函數(shù)以及擴(kuò)增圖像數(shù)據(jù)集來(lái)進(jìn)行對(duì)比仿真實(shí)驗(yàn)。仿真結(jié)果表明，合理的參數(shù)及方法選擇都會(huì)提高網(wǎng)絡(luò)的分類(lèi)識(shí)別性能，尤其是增加圖像數(shù)據(jù)集對(duì)網(wǎng)絡(luò)性能提升效果明顯。
　　(3)經(jīng)過(guò)分析了

4、卷積神經(jīng)網(wǎng)絡(luò)識(shí)別分類(lèi)性能的影響因素之后，總結(jié)了合理選擇參數(shù)以及方法的規(guī)律，構(gòu)造了一個(gè)宮頸細(xì)胞圖像分類(lèi)識(shí)別性能最佳的網(wǎng)絡(luò)結(jié)構(gòu)。本文構(gòu)造了一個(gè)增加卷積層過(guò)濾器數(shù)量的網(wǎng)絡(luò)，并加入了BN算法作為BN層，BN算法能夠加快網(wǎng)絡(luò)訓(xùn)練速度與網(wǎng)絡(luò)收斂速度，然后加入dropout方法，隨機(jī)抑制網(wǎng)絡(luò)中的神經(jīng)元，最后使用softmax作為分類(lèi)器，對(duì)宮頸細(xì)胞進(jìn)行病變分類(lèi)識(shí)別。
　　仿真實(shí)驗(yàn)結(jié)果表明:本文構(gòu)建的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)對(duì)宮頸細(xì)胞圖像二分類(lèi)識(shí)別率達(dá)到9