13、基于深度学习的宫颈涂片筛查与癌症检测

基于深度学习的宫颈涂片筛查与癌症检测

1. 引言

宫颈癌是印度女性中第二常见的癌症，在全球女性中是第四常见的癌症，每年有超过77,000例新病例报告。预防措施和早期诊断是对抗宫颈癌的两大关键步骤。巴氏涂片筛查是检测和预防宫颈癌的有效技术，但许多发展中国家和欠发达国家因缺乏熟练人力、专业设备以及筛查过程缺乏自动化而面临困境。

因此，开发一种基于深度学习的巴氏涂片图像评估系统用于即时护理筛查具有重要意义。本文提出了一个基于卷积神经网络（CNN）的分类器模型，用于根据贝塞斯达分类法对多细胞巴氏涂片图像进行分类，目标还包括定位多细胞图像中不同类别的细胞。主要贡献包括设计基于YOLOv5的巴氏涂片图像分类器，分析YOLOv5架构的小、中、大三种变体的性能，并选择最适合自动分类巴氏涂片图像的变体。

2. 相关工作

巴氏涂片筛查在发达国家的有效应用显著降低了宫颈癌相关死亡率，但发展中国家和欠发达国家仍面临挑战。近年来，多个研究小组开始对基于人工智能和机器学习的巴氏涂片分析进行广泛研究，以实现筛查技术的自动化。

传统巴氏涂片和液基细胞学（LBC）是用于宫颈癌筛查的两种主要巴氏涂片技术。LBC相对较新且昂贵，需要对涂片进行预处理和去除碎片，可能会导致处理后的涂片图像中炎性细胞的去除，降低分类模型的效率。尽管传统巴氏涂片技术中不满意涂片的数量相对较高，但由于其经济可行性，该技术在发展中国家仍被广泛使用。

计算机辅助巴氏涂片分析的研究可分为四类：
- 单细胞或涂片水平分析：涉及对正常和异常宫颈细胞图像的形状、纹理和细胞质/细胞核比率进行分析。
- 单个细胞的分割：如使用模糊C均值（FCM）聚类技术对单细胞巴氏涂片图像进