13、基于深度学习的宫颈癌涂片筛查与癌症检测

基于深度学习的宫颈癌涂片筛查与癌症检测

一、引言

宫颈癌在印度女性群体中是第二大常见癌症，在全球女性群体中是第四大常见癌症，每年有超过77,000例新发病例。预防措施和早期诊断是对抗宫颈癌的两大关键步骤。巴氏涂片筛查是一种成熟的宫颈癌检测和预防技术，但在许多发展中国家和欠发达国家，由于缺乏专业人力、专业设备以及筛查过程缺乏自动化，该疾病的防控面临挑战。

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。本文提出了一种基于卷积神经网络（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，同时还包括对多细胞图像中不同类别细胞的定位。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、大变体的性能，并选择最适合自动分类巴氏涂片图像的变体。

二、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，但在发展中国家和欠发达国家面临诸多困难。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）是两种主要的宫颈癌筛查技术。LBC相对较新且成本较高，需要对涂片进行预处理和去除碎片，这可能会导致处理后的涂片图像中炎性细胞丢失，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：
1. 单细胞或涂片水平分析
2. 单个细胞的分割
3. 提取特征
4. 分类方法

以下是一些近期自动化巴氏涂片分