利用混合深度神经网络和对巴氏涂片图像进行渐进式缩放的方法优化宫颈癌诊断

《Scientific Reports》：Optimizing cervical cancer diagnosis with a hybrid deep neural network and progressive resizing on pap smear WSIs

　　

摘要

如今，由人工智能（AI）驱动的计算机辅助诊断（CAD）系统在宫颈癌诊断中的应用日益普遍。与传统的机器学习（ML）模型相比，深度卷积神经网络（CNN）能够自动选择特征，这种替代方法更为先进，因为传统模型需要人工进行细胞分割和提取。通过迁移学习和微调预训练的深度模型，即使在数据有限的情况下，也能使这些模型运行得更快、更高效。本文提出了一种新型的混合深度网络——渐进式调整大小网络（HDNPR），用于对巴氏涂片的全幅图像（WSI）进行分类。该网络利用逐步调整大小并增强后的训练数据（尺寸分别为224×224、512×512和1024×1024像素）在预训练权重基础上训练微调后的深度学习（DL）模型，并结合迁移学习技术。通过将两个流行的微调深度学习网络VGG-16和ResNet-152提取的特征进行拼接，生成混合深度特征，这些特征随后被应用于全连接网络（FCN）阶段以检测不同类型的宫颈癌。所提出的HDNPR网络在多类分类和二分类任务中均表现出色，分别实现了97.45%和98.58%的准确率。