基于注意力机制多尺度局部二值卷积神经网络的宫颈细胞分级分类框架

为解决宫颈细胞分类中传统方法依赖人工特征提取、深度学习模型忽略形态学特征的问题，研究人员开发了一种结合多尺度局部二值卷积神经网络(MS-LBCNN)和通道-空间注意力模块(CSAB)的分级分类框架。该模型在三个独立数据集上超越现有技术，最高准确率达96.5%，为自动化宫颈癌筛查提供了高精度解决方案。

　　

宫颈癌筛查是妇科疾病防治的重要环节，但传统细胞学诊断面临两大困境：一方面人工镜检依赖经验丰富的病理医师，耗时耗力且存在主观偏差；另一方面现有计算机辅助诊断系统往往在特征提取环节顾此失彼——传统机器学习方法需要手工设计特征，而深度学习模型又容易忽略具有临床意义的细胞形态学特征。更棘手的是，实际样本中常出现细胞重叠聚集现象，导致现有算法对密集细胞团的分类准确率显著下降。

针对这些技术瓶颈，北京航空航天大学生物医学工程高精尖创新中心的研究团队创新性地构建了注意力机制增强的多尺度局部二值卷积神经网络(MS-LBCNN)分级框架。这项发表于《Medicine in Novel Technology and Devices》的研究，通过融合深度学习特征与38项手工设计的形态纹理特征，在保持模型轻量化的同时实现了对6类TBS标准细胞亚型的精准鉴别，为自动化宫颈癌筛查提供了新范式。

研究团队采用三项关键技术路线：首先开发了包含圆形邻域采样(半径R=1/2)的多尺度LBP编码器，通过{P=8, P=10}采样点配置捕获细胞核多级纹理特征；其次设计串行连接的通道-空间注意力块(CSAB)，采用ReLU激活函数强化关键区域响应；最后建立粗-精两级分类策略，先区分NILM/SCC/低高级别病变，再通过概率融合(公式4-5)细化ASCUS/LSIL/ASCH/HSIL亚型。实验使用北京妇产医院420例液基细胞学样本(CLTCS)为主数据集，并纳入Herlev和SIPaKMeD公开数据集验证。

【3.5. TBS分类结果】在CLTCS测试集上，MS-LBCNN对单细胞和簇状细胞的分类准确率分别达96.5%和94.5%，显著优于ResNet50+CSAB(95.2%/93.1%)和ViT(95.0%/93.0%)。热图可视化显示(图6d/h)，多尺度特征提取能准确定位核质比(N/C ratio)异常区域。

【5.1. 影响因素分析】数据增强策略使少数类样本识别率提升12%，其中旋转增强使单细胞ASCUS分类F1值从0.863升至0.891；合成增强使簇状细胞HSIL的MCC从0.735提高至0.789。LBC单元数实验表明25层架构在计算效率(1.932G MAC)和性能间取得最优平衡。

【5.4. 计算效率】模型参数量仅13.6M，推理速度达0.014秒/图，较ResNet50提速7.8倍。这种高效性源自LBC层的稀疏设计(固定0.9稀疏度)，通过预定义3×3滤波器和1×1可训练层的级联减少70%参数。

这项研究的突破性在于首次将LBP的旋转不变性与CNN的层次化特征学习相结合：圆形邻域采样克服了传统方形窗口的方向敏感性，而CSAB模块通过串行处理通道权重(公式2)和空间注意力(公式3)，使模型能同时关注核染色质分布和细胞膜完整性等关键诊断特征。在临床转化方面，该方法在84张全切片图像(WSI)测试中达到92.9%的判读准确率，显著优于现有商用系统。未来通过整合更多三维形态学参数和迭代式训练策略，有望进一步突破密集细胞团分类的瓶颈，为普惠式宫颈癌筛查提供技术支持。