基于卷积神经网络的宫颈病变细胞图像识别研究
结合计算机技术和病理学相关理论，实现对宫颈病变细胞的自动分类识别，对宫颈癌诊断具有重要的实用价值。传统的宫颈病变细胞识别分类方法需要人工提取特征，会引入主观误差，导致识别效果不佳。 本文将宫颈细胞图像分成四类，结合卷积神经网络，实现了对宫颈细胞图像的准确识别分类，主要工作如下： (1)本文设计一种带有并联卷积层的卷积神经网络S-CNN模型。该模型含有七层卷积层、四层池化层、两层全连接层和输出层，卷积层和池化层交替连接，通过增加并联卷积层，对输出特征图像进行叠加处理，获取更丰富的细胞图像特征；叠加后的特征图输入到下一卷积层，最后经过两层全连接层由Softmax分类器进行分类；加入批量归一化算法对模型进行优化，加快网络训练速度。实验结果表明，与AlexNet和VGG16两种卷积神经网络模型相比，本文设计的S-CNN模型能更准确的学习宫颈病变细胞图像特征，有效降低识别分类错误率。 (2)提出一种基于残差网络的交叉熵代价函数改进算法。该算法根据宫颈细胞图像识别中的真实标签和预测标签，建立权重矩阵，将该矩阵应用于交叉熵代价函数，实现算法改进。宫颈细胞图像识别分类情况中，宫颈病变细胞的假阴性识别分类错误，即假阴性率，会直接影响宫颈癌的诊断结果。为降低宫颈细胞图像识别分类的假阴性率，对权重矩阵元素划分等级，不同等级赋予不同的权值。实验结果表明，本文改进的交叉熵代价函数算法，可有效降低宫颈病变细胞识别分类的假阴性率，从而使整体的识别分类错误率有所下降。
宫颈病变;图像识别;假阴性率;残差网络;Softmax分类器
中国计量大学
硕士
控制工程
夏哲雷;阮建忠
2019
中文
TP391.41;R737.33
2020-04-16（万方平台首次上网日期，不代表论文的发表时间）