基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細胞病變圖像識別研究.pdf

1、目前傳統(tǒng)的宮頸細胞識別主要都是先經(jīng)過細胞圖像分割，人工設(shè)計算子選取特征，然后選用分類器進行識別。在宮頸細胞分割與特征提取階段，使用此類方法需要掌握一定的病理醫(yī)學常識，而且由于特征是人為選取，有時候選取的特征并不具有代表性，會導(dǎo)致識別效果不明顯，因此本文將深度學習框架下的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于宮頸細胞識別的領(lǐng)域進行研究。
　　卷積神經(jīng)網(wǎng)絡(luò)是將人工神經(jīng)網(wǎng)絡(luò)和深度學習相結(jié)合的一種新型人工神經(jīng)網(wǎng)絡(luò)，能夠?qū)⑻卣魈崛∨c識別分類工作相結(jié)合，其最主要

2、的特點是局部感受野、權(quán)值共享和空間子采樣，能夠提取數(shù)據(jù)的局部特征，因此在圖像識別領(lǐng)域獲得了廣泛的應(yīng)用。本文將卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到宮頸細胞圖像識別中，本文的方案具有圖像可以直接輸入，特征自主提取的特點，可以提高宮頸細胞圖像識別的智能化水平與效率。本文完成的主要研究工作如下:
　　(1)本文詳細闡述了卷積神經(jīng)網(wǎng)絡(luò)的理論、特點和結(jié)構(gòu)，為模型的改進提供理論基礎(chǔ)。本文在LeNet-5模型的基礎(chǔ)上，構(gòu)造了若干個具有不同的層間連接方式的抽取特

3、征的濾波器層的卷積神網(wǎng)絡(luò)模型，并將這些模型應(yīng)用到宮頸細胞圖像的識別中，通過仿真實驗比較各個模型的分類效果，分析了不同數(shù)量的過濾器對網(wǎng)絡(luò)性能的影響。
　　(2)在上文研究的基礎(chǔ)上繼續(xù)探究影響網(wǎng)絡(luò)識別性能的因素，通過調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的卷積核尺寸、下采樣方法、激活函數(shù)以及擴增圖像數(shù)據(jù)集來進行對比仿真實驗。仿真結(jié)果表明，合理的參數(shù)及方法選擇都會提高網(wǎng)絡(luò)的分類識別性能，尤其是增加圖像數(shù)據(jù)集對網(wǎng)絡(luò)性能提升效果明顯。
　　(3)經(jīng)過分析了

4、卷積神經(jīng)網(wǎng)絡(luò)識別分類性能的影響因素之后，總結(jié)了合理選擇參數(shù)以及方法的規(guī)律，構(gòu)造了一個宮頸細胞圖像分類識別性能最佳的網(wǎng)絡(luò)結(jié)構(gòu)。本文構(gòu)造了一個增加卷積層過濾器數(shù)量的網(wǎng)絡(luò)，并加入了BN算法作為BN層，BN算法能夠加快網(wǎng)絡(luò)訓(xùn)練速度與網(wǎng)絡(luò)收斂速度，然后加入dropout方法，隨機抑制網(wǎng)絡(luò)中的神經(jīng)元，最后使用softmax作為分類器，對宮頸細胞進行病變分類識別。
　　仿真實驗結(jié)果表明:本文構(gòu)建的改進卷積神經(jīng)網(wǎng)絡(luò)對宮頸細胞圖像二分類識別率達到9