采用过渡模式提取器的改进GoogleNet-Bi-LSTM宫颈癌检测架构

《Indian Journal of Gynecologic Oncology》：Modified GoogleNet-Bi-LSTM Architecture for Cervical Cancer Detection with Transitional Pattern Extractors

　　

摘要

目的

机器学习（ML）和深度学习（DL）正被越来越多的个人和企业用于处理大规模数据集并提取有价值的信息。机器学习通过实现癌症、肾衰竭和心脏病等严重疾病的早期诊断，正在推动医疗行业的发展。宫颈癌仍然是女性最常见的健康问题之一。

方法

本研究开发了一种基于GoogleNet-BiLSTM的四阶段宫颈癌检测（GN-B-CDD）新技术。在预处理阶段，采用高斯滤波技术降低噪声，生成更平滑的结果，以改善宫颈图像质量。随后使用基于前馈网络的注意力门控Trans U-Net（AFFN-TUNet）模型进行分割，成功从预处理后的图像中分离出宫颈区域。然后利用分割后的图像提取特征，包括颜色特征、平均邻居辅助LGTrP（AN-LGTrP）和金字塔方向梯度直方图（PHOG），以捕捉图像的关键信息。最后，采用GN-B-CCD方法诊断宫颈癌，该方法结合了GoogleNet中的改进Inception模块（MIM-GNet）与双向长短期记忆网络（Bi-LSTM）两种模型。最终检测结果通过计算这两个模型处理提取特征后的输出平均值获得。

结果

GN-B-CDD方法取得了较高的F值（0.890）、特异性（0.973）和准确率（0.956）。

结论

通过统计分析和消融实验对所提策略的有效性进行了评估，证明了其相较于传统技术的优势。