基于改进的Faster R-CNN模型的异常鳞状上皮细胞检测
宫颈癌是目前世界上最常见的妇科恶性肿瘤,患者死亡率非常高.新柏氏液基细胞学检测(TCT)是宫颈癌筛查的基本方法,病理医生在显微镜下观察子宫颈脱落的鳞状上皮细胞,查看是否存在异常鳞状上皮细胞进行诊断.TCT对宫颈癌的检出率为100％,同时还可以发现部分癌前病变和微生物感染.目前国内的病理医生只有10000人左右,而且培养周期长,需求缺口极大.本文使用经过病理医生标注的数字病理图像,训练目标检测模型.设计了基于Faster R-CNN的网络结构改进的模型,引入了可形变卷积网络和特征金字塔网络,实现了对宫颈数字病理图像进行自动识别,为临床宫颈疾病诊断提供辅助参考.实验结果表明,改进后的模型能快速收敛,在测试集上的测试结果mAP(mean Average Precision)可以达到0.29,已经基本满足辅助病理医生诊断的需求(实际医院临床使用的模型mAP为0.32).
非典型鳞状细胞检测、Faster R-CNN、可形变卷积网络、特征金字塔网络
11
TP302.1(计算技术、计算机技术)
2021-04-28（万方平台首次上网日期，不代表论文的发表时间）
共7页
7-13
