基于领域知识的多流卷积神经网络宫颈细胞分类算法

本文主要探讨了一种融合宫颈细胞领域特征的多流卷积神经网络分类算法，用于提高宫颈癌计算机辅助诊断的准确性。该算法结合了数据驱动的深度学习方法和宫颈细胞领域的专业知识，旨在解决通用深度学习模型在细胞分类中的局限性。 文章指出，细胞分类是宫颈癌早期检测和诊断的重要技术。传统的深度学习分类算法虽然在图像识别方面表现出色，但在细胞分类任务中缺乏对领域特性的理解。因此，研究团队提出了一个创新的多流卷积神经网络模型，该模型由两个主要部分组成：数据驱动的卷积神经网络（CNN）和基于领域知识的人工设计特征提取。 首先，该模型接受细胞和细胞核图像作为输入，利用CNN自动学习图像的低级和高级特征。CNN是深度学习中的一种关键架构，特别适合于图像处理任务，因为它能逐层抽象和理解图像内容。在这个过程中，CNN通过卷积层、池化层和全连接层逐步提取图像的特征。 其次，研究人员根据宫颈细胞的标准分级系统（如巴氏涂片法）设计了人工特征。这些特征反映了细胞形态和结构的领域知识，例如细胞核的大小、形状、颜色等。将这些人工设计的特征与CNN学习到的特征进行融合，形成更丰富的特征表示。 最后，这些综合特征被送入全连接层进行分类。全连接层的作用是将所有特征映射到预定义的类别，如正常细胞和异常细胞。通过这样的多流融合，模型能够结合数据驱动的自动化学习和专家知识，从而提高分类性能。 实验结果显示，该算法在Herlev宫颈细胞图像数据集上的分类准确率达到了99%，显著优于其他方法，并且在Ideepwise数据集上，按照细胞学诊断报告的分级准确率为85%，相较于单流网络有3%的提升。这些结果证明了该算法在宫颈细胞分类中的有效性和优越性。 关键词涉及的领域包括计算机辅助诊断、宫颈细胞、深度学习和卷积神经网络，这些都是当前人工智能和医疗影像分析研究的热点。该工作对于推动宫颈癌的早期筛查和诊断具有重要意义，有助于提升医疗健康领域的技术水平。