论文部分内容阅读
宫颈癌不仅在女性生殖器官肿瘤中占首位,而且是女性各种恶性肿瘤中最常见的。通过早期的宫颈筛查工作,可以有效地降低女性患宫颈癌的风险,同时可以有针对性的对早期的宫颈病变进行观察和诊断。醋酸实验是早期宫颈癌主要的筛查方法,临床医生需要通过肉眼来观察醋酸实验的结果。由于人工阴道镜局部醋酸实验存在较多的干扰因素,主要表现为专业医生主观诊断性过强、资质及水平不同、诊断过于复杂以及容易导致漏判误判等。在上述研究背景下,实现智能化宫颈病变图像筛查系统具有重要意义。近年来,随着宫颈筛查技术的发展,积累了大量的宫颈病变图像数据,为宫颈病变医学图像的研究提供了丰富的数据源。目前,深度学习技术已经成功应用于医疗辅助诊断领域,通过深度学习技术对宫颈病变图像进行预测将会有效地提高诊断的准确率。本文首先使用卷积神经网络对宫颈病变图像进行分类预测,结合Inception和ResNet的优点提出一种改进的模型Inception-ResNet,并利用迁移学习来对模型进行训练,然后对比了几种常见的卷积神经网格模型的效果。针对卷积神经网络的不足,本文又引入了胶囊神经网络,在融合卷积神经网络的基础上,提出了CNN-CapsNet预测方法。本文采取了两种实验方案,第一种利用迁移学习技术来对改进的模型Inception-ResNet进行训练,并与ResNet、InceptionV3模型的准确率进行对比;第二种采用本文提出的CNN-CapsNet方法进行训练。实验结果表明,InceptionV3方法取得了68.1%的预测准确率,同时ResNet方法的预测准确率比InceptionV3提高了1.2%,改进的模型Inception-ResNet取得了70.0%的预测准确率,本文提出的CNN-CapsNet预测方法对宫颈病变图像的分类预测准确率为71.2%,相比于ResNet、InceptionV3方法,分别高出了1.9%、3.1%,验证了CNN-CapsNet模型在宫颈病变图像分类领域相较其他分类模型的有效性。针对目前医院诊断系统缺乏智能化因素,设计了基于卷积神经网络的宫颈病变图像分类系统,该系统主要的应用场景是使用者在web端上传一张阴道镜设备检查的图像,自动地给出分类级别供医生参考,辅助医生诊断。考虑到阴道镜医生在长期阅读宫颈病变图像时容易疲惫,从而导致不必要的漏判、误判,而该系统在这方面具备优势。