妇科常规检查是妇科检查中应用最广泛的一项项目,是不同类别阴道炎的诊断方法。目前医院中多是使用人工镜检的方式进行妇科常规检查,方法是将浸有白带的生理盐水涂在载玻片上,再将载玻片置于显微镜下,依靠检验科医生的专业知识和工作经验,观察数十个视野,对样本进行判断,并给出诊断结果。全部依靠人工完成的镜检方式存在一些不可避免的问题,即大量重复性工作带来的疲惫和长时间进行显微镜观察导致的晕镜。这些问题造成检验医生工作效率降低、判断准确率下降。若医生本身工作经验不足,则妇科常规检查的准确率更是无法得到保障,容易出现漏检的情况。为解决这一问题,实验室对妇科常规检查的自动化进行研究,研究包括仪器设备、扫描流程、软件界面、聚焦算法、图像检测等几个部分。本文主要对图像检测算法方面进行研究。本文首先使用光学显微镜从医院采集妇科显微图像、建立图像数据集。图像上目标的分类是与医生讨论确定,并由专家进行数据标注以确保标注的可靠性。然后,对于采集的图像数据集,本文使用卷积神经网络(Convolutional Neural Network,CNN)进行检测。CNN在计算机视觉上达到了突破性的成果,在各领域的应用也越来越广。CNN通过特征提取的方式,可对图像进行目标分类、图像分割、目标检测等各种任务,并用高准确率证明了它相对于传统图像算法的优越性。然而在医学领域使用CNN算法时,由于医学图像数据集存在总数据量少、各样本数据量不平衡的缺点,导致检测算法很难获得令人满意的效果。针对这个问题,本文结合生成式对抗网络(Generative Adversarial Network,GAN)和区域提取网络(Region Proposal Network,RPN),提出了一种生成多目标医学图像的方法,并将生成的图像用于数据增强,从而提高检测的准确率。方法为,使用Faster R-CNN对妇科显微图像进行检测,使用GAN生成图像从而提高总数据量并平衡各样本数据量,然后使用生成的图像再次训练Faster R-CNN。实验结果表明,使用GAN生成妇科显微图像并将图像输入到检测网络中和真图一起训练网络,可有效提高CNN检测的准确率。对于医生诊断时关注的三种目标,仅使用采集得到的真图数据库时,念珠菌的平均准确率(Average Precision,AP)为0.4933,滴虫的AP为0.8074,白细胞的召回率(Recall)为0.8589,所有7类目标的mAP(mean Average Precision)为0.6174,而使用了GAN生成的图像训练网络后,念珠菌的AP上升到了0.5020,滴虫的AP上升到了0.8081,白细胞的Recall上升到了0.8942,7类目标的mAP上升到了0.6628。