基于改進(jìn)的Faster R-CNN模型的異常鱗狀上皮細(xì)胞檢測(cè)

尹遠(yuǎn)來(lái)　趙磊

摘 要：宮頸癌是目前世界上最常見(jiàn)的婦科惡性腫瘤，患者死亡率非常高。新柏氏液基細(xì)胞學(xué)檢測(cè)（TCT）是宮頸癌篩查的基本方法，病理醫(yī)生在顯微鏡下觀察子宮頸脫落的鱗狀上皮細(xì)胞，查看是否存在異常鱗狀上皮細(xì)胞進(jìn)行診斷。TCT對(duì)宮頸癌的檢出率為100%，同時(shí)還可以發(fā)現(xiàn)部分癌前病變和微生物感染。目前國(guó)內(nèi)的病理醫(yī)生只有10000人左右，而且培養(yǎng)周期長(zhǎng)，需求缺口極大。本文使用經(jīng)過(guò)病理醫(yī)生標(biāo)注的數(shù)字病理圖像，訓(xùn)練目標(biāo)檢測(cè)模型。設(shè)計(jì)了基于FasterR-CNN的網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)的模型，引入了可形變卷積網(wǎng)絡(luò)和特征金字塔網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)宮頸數(shù)字病理圖像進(jìn)行自動(dòng)識(shí)別，為臨床宮頸疾病診斷提供輔助參考。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的模型能快速收斂，在測(cè)試集上的測(cè)試結(jié)果mAP（meanAveragePrecision）可以達(dá)到0.29，已經(jīng)基本滿足輔助病理醫(yī)生診斷的需求（實(shí)際醫(yī)院臨床使用的模型mAP為0.32）。

關(guān)鍵詞：非典型鱗狀細(xì)胞檢測(cè);FasterR-CNN;可形變卷積網(wǎng)絡(luò);特征金字塔網(wǎng)絡(luò)

【Abstract】Cervicalcanceristhemostcommongynecologicalmalignanttumorintheworld，withaveryhighmortalityrate.ThinprepCytologicTest（TCT）isthebasicmethodforcervicalcancerscreening.Pathologistsobservesquamousepithelialcellsshedfromthecervixunderamicroscopetoseeifthereareabnormalsquamousepithelialcellsfordiagnosis.ThedetectionrateofcervicalcancerbyTCTis100%，andsomeprecancerouslesionsandmicrobialinfectionscanalsobefound.Atpresent，thereareonlyabout10000pathologistsinChina，andthetrainingcycleislong，withahugedemandgap.Inthispaper，theobjectdetectionmodelistrainedbyusingdigitalpathologicalimageslabeledbypathologists.AnimprovednetworkstructuremodelbasedonFasterR-CNNisdesigned，andadeformableconvolutionalnetworkandafeaturepyramidnetworkareintroducedtorealizeautomaticdetectionofcervicaldigitalpathologicalimages，providinganauxiliaryreferenceforclinicaldiagnosisofcervicaldiseases.Theexperimentalresultsshowthattheimprovedmodelcanconvergerapidly，andthemeanAveragePrecisiononthetestsetcanreach0.29，whichhasbasicallymettheneedsofauxiliarypathologistsfordiagnosis（themodelmAPusedinactualhospitalclinicalpracticeis0.32）.

【Keywords】AtypicalSquamousCellsdetection;FasterR-CNN;DeformableConvoluationalNetwork;FeaturePyramidNetwork

作者簡(jiǎn)介：尹遠(yuǎn)來(lái)（1995-），男，碩士研究生，主要研究方向：計(jì)算機(jī)視覺(jué);趙 磊（1964-），男，博士，教授，主要研究方向：計(jì)算機(jī)應(yīng)用。

0 引 言

液基細(xì)胞學(xué)篩查是宮頸癌早期篩查的重要手段[1]。子宮頸細(xì)胞學(xué)篩查時(shí)，主要存在4種子宮頸異常鱗狀上皮細(xì)胞[2]，下文簡(jiǎn)稱陽(yáng)性細(xì)胞，分別是：ASC-US（未明確診斷意義的非典型鱗狀上皮細(xì)胞）、ASC-H（不排除高度病變的非典型鱗狀上皮細(xì)胞）、LSIL（低級(jí)別鱗狀上皮內(nèi)病變細(xì)胞）、HSIL（高級(jí)別鱗狀上皮內(nèi)病變細(xì)胞）。

陽(yáng)性細(xì)胞的檢測(cè)屬于計(jì)算機(jī)視覺(jué)中的目標(biāo)檢測(cè)問(wèn)題。RetinaNet[3]、SSD[4]和YOLO[5]等一階段的算法雖然有很高的檢測(cè)速度，但是檢測(cè)精度相對(duì)較低。Ren等人[6]提出的FasterR-CNN在目標(biāo)檢測(cè)任務(wù)上取得了良好效果，該算法被認(rèn)為是二階段目標(biāo)檢測(cè)任務(wù)中的代表性算法。因其在檢測(cè)精度和速度上都有良好的表現(xiàn)，所以本文基于FasterR-CNN的思想，設(shè)計(jì)了改進(jìn)的FasterR-CNN網(wǎng)絡(luò)模型應(yīng)用于陽(yáng)性細(xì)胞的檢測(cè)，其改進(jìn)體現(xiàn)在以下2個(gè)方面。一是引入了可形變卷積網(wǎng)絡(luò)（DeformableConvolutionNet，DCN），二是使用特征金字塔網(wǎng)絡(luò)（FeaturePyramidNet，F(xiàn)PN）用于解決小尺寸陽(yáng)性細(xì)胞檢測(cè)精度低的問(wèn)題。

DCN是由微軟亞洲研究院視覺(jué)計(jì)算組的Dai等人[7]提出的。在FasterR-CNN的卷積網(wǎng)絡(luò)部分中加入可形變卷積可以更好地提取各種形態(tài)的陽(yáng)性細(xì)胞的特征，使得后續(xù)分類網(wǎng)絡(luò)和位置回歸網(wǎng)絡(luò)有更好的精度。FPN是由FacebookAI研究中心和康奈爾大學(xué)的Lin等人[8]提出的。對(duì)于一張圖像來(lái)說(shuō)，引入FPN網(wǎng)絡(luò)可以使目標(biāo)檢測(cè)網(wǎng)絡(luò)學(xué)習(xí)到多個(gè)尺度的語(yǔ)義信息，有效地提升小目標(biāo)的檢測(cè)精度。

1 數(shù)據(jù)集與預(yù)處理

1.1 數(shù)據(jù)集

本文的實(shí)驗(yàn)數(shù)據(jù)是使用來(lái)自寧波病理中心的病理切片，通過(guò)全自動(dòng)數(shù)字切片掃描儀掃描獲得的數(shù)字病理圖像，共2297例含有陽(yáng)性細(xì)胞的陽(yáng)性樣本。病理圖像以KFB格式存儲(chǔ)，在文件夾中每個(gè)KFB文件都有一個(gè)同名的JSON文件。其中，KFB文件存儲(chǔ)的是宮頸脫落細(xì)胞的數(shù)字病理圖像，KFB格式的完整圖片視野如圖1所示。由圖1可看到用2.5倍率讀取的KFB全片圖像，JSON文件存儲(chǔ)的是由病理醫(yī)生標(biāo)注陽(yáng)性細(xì)胞的標(biāo)注信息。由于全圖標(biāo)注耗費(fèi)太多時(shí)間，所以每個(gè)KFB圖像中都有由病理醫(yī)生自行選擇若干個(gè)尺寸不小于3000×3000像素的興趣區(qū)域（RegionofInterest，ROI），即圖1中綠色矩形框。一個(gè)ROI視野和一個(gè)細(xì)胞標(biāo)注框如圖2所示，病理醫(yī)生只標(biāo)注ROI中的陽(yáng)性細(xì)胞。圖2中，標(biāo)注的形式是矩形框，包括矩形框左上角坐標(biāo)（x，y）和矩形框?qū)捀咝畔ⅲ╳idth，height），以及該矩形框所屬類別sub_class。在數(shù)據(jù)集所有KFB文件中，每一類陽(yáng)性細(xì)胞的標(biāo)注總個(gè)數(shù)統(tǒng)計(jì)如圖3所示。

1.2 預(yù)處理

數(shù)據(jù)預(yù)處理首先是從KFB文件中裁出所有20倍率下讀取的ROI，另存為JPEG格式的圖片。由于ROI的面積較大，而陽(yáng)性細(xì)胞尺寸普遍較小，若直接將ROI放入網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練得到的模型檢測(cè)效果不理想。所以本文采用滑動(dòng)窗口的方式對(duì)ROI進(jìn)行切割，將切割后的小圖作為訓(xùn)練樣本進(jìn)行訓(xùn)練。切割尺寸為1500×1500像素，切割步長(zhǎng)為750像素。切割方式如圖4所示。其次，訓(xùn)練之前需要將圖像RGB每個(gè)通道的像素值進(jìn)行歸一化。計(jì)算圖像每個(gè)顏色通道的圖像（image）所有像素灰度值的均值（mean）和標(biāo)準(zhǔn)差（std），應(yīng)用公式（1）得到每個(gè)通道的標(biāo)準(zhǔn)像素灰度值，即：

2 模型網(wǎng)絡(luò)結(jié)構(gòu)

2.1 FasterR-CNN網(wǎng)絡(luò)模型結(jié)構(gòu)

FasterR-CNN模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。網(wǎng)絡(luò)分為2個(gè)主要部分，分別是：骨干網(wǎng)絡(luò)（Backbone）和區(qū)域推薦網(wǎng)絡(luò)（RegionProposalNetwork，RPN）。其中，Backbone是一個(gè)基礎(chǔ)的卷積神經(jīng)網(wǎng)絡(luò)，對(duì)輸入圖像運(yùn)用一系列卷積、ReLU激活、池化等操作后最終輸出一張?zhí)卣鲌D，用于提取輸入圖像的特征。本文使用ResNet50作為整個(gè)檢測(cè)器的Backbone。由圖5可知，每個(gè)藍(lán)色的長(zhǎng)方體代表一系列卷積模塊生成的特征圖，最后一層特征圖將被后續(xù)的RPN和全連接層共用。

RPN是FasterR-CNN核心組件，用來(lái)給后續(xù)的目標(biāo)分類和預(yù)測(cè)框位置回歸網(wǎng)絡(luò)生成推薦區(qū)域。這是一個(gè)輸入為特征圖，輸出為候選框的全卷積神經(jīng)網(wǎng)絡(luò)。訓(xùn)練圖像輸入網(wǎng)絡(luò)，經(jīng)過(guò)Backbone處理后，輸出一張高維度的特征圖。該特征圖與RPN共享，即將這張?zhí)卣鲌D輸入到RPN中，進(jìn)行3×3的卷積，卷積之前先做了一次padding=1的邊界填充操作，以此保證卷積后生成的RPN的特征圖（featuremap）與Backbone的特征圖有相同的尺寸。以該3×3卷積核的中心在RPN的特征圖上對(duì)應(yīng)的像素點(diǎn)坐標(biāo)為基準(zhǔn)，生成3種寬高比的Anchor。本文使用的anchor_scale為8，這個(gè)參數(shù)指定了感受野的區(qū)域尺寸為8×8像素，將這些8×8像素的候選框按照卷積和池化操作的下采樣比例，對(duì)應(yīng)回原圖像上，生成一系列候選框。這些候選框與陽(yáng)性細(xì)胞的標(biāo)注框（GroundTruth）進(jìn)行IOU（IntersectionoverUnion）計(jì)算。本文規(guī)定：任一候選框與標(biāo)注框的IOU大于0.7，則認(rèn)為是正樣本，小于0.3的為負(fù)樣本，這些正負(fù)樣本將用來(lái)訓(xùn)練RPN的分類功能，正樣本參與RPN推薦框回歸功能的訓(xùn)練，負(fù)樣本則不參與。訓(xùn)練好的RPN網(wǎng)絡(luò)將為后續(xù)的全連接層輸出精準(zhǔn)的推薦區(qū)域。

2.2 FasterR-CNN結(jié)合圖像金字塔（FPN）的網(wǎng)絡(luò)結(jié)構(gòu)

FPN是一種利用常規(guī)CNN模型來(lái)高效提取圖片中各維度特征的方法，圖6是在FasterR-CNN的基礎(chǔ)上增加了FPN模塊的網(wǎng)絡(luò)結(jié)構(gòu)。此時(shí)整個(gè)網(wǎng)絡(luò)的特征提取部分被分成了2個(gè)過(guò)程，分別是：下采樣和上采樣加側(cè)連接。FasterR-CNN+FPN模型結(jié)構(gòu)如圖6所示。

由圖6可知，圖像被傳入卷積模塊，進(jìn)行常規(guī)的卷積、ReLU激活和池化等下采樣操作，不斷提取圖像中陽(yáng)性細(xì)胞的語(yǔ)義信息，此過(guò)程可得到一系列大小不同的特征圖，把最后一層的特征稱為頂層特征。由于陽(yáng)性細(xì)胞的病理形態(tài)都較小，頂層特征雖然保留了陽(yáng)性細(xì)胞的語(yǔ)義信息，但是在下采樣的過(guò)程中，小目標(biāo)的細(xì)節(jié)特征會(huì)被丟棄，導(dǎo)致模型對(duì)小目標(biāo)的檢測(cè)精度很低。FPN模塊將頂層的小特征圖按照下采樣的倍率，利用最近鄰插值法自頂向下進(jìn)行上采樣，生成一張與上一層特征圖尺寸一致的特征圖。側(cè)向連接將上一層經(jīng)過(guò)上采樣后和當(dāng)前層分辨率一致的特征，通過(guò)相加的方式進(jìn)行融合，為了修正通道數(shù)的數(shù)量，將當(dāng)前層進(jìn)行1×1的卷積操作。再將融合后的每張?zhí)卣鲌D輸入RPN網(wǎng)絡(luò)進(jìn)行區(qū)域推薦，生成的推薦區(qū)域經(jīng)過(guò)池化操作后傳入全連接層進(jìn)行具體類別的分類和位置回歸。結(jié)合FPN使整體網(wǎng)絡(luò)不僅利用了頂層的語(yǔ)義特征，又利用了底層的高分辨率特征，最大限度提升了小目標(biāo)的檢測(cè)效果。

2.3 可形變卷積網(wǎng)絡(luò)原理

本文在Backbone中添加可形變卷積模塊，以適應(yīng)不同形狀的陽(yáng)性細(xì)胞。標(biāo)準(zhǔn)卷積與可形變卷積示意如圖7所示。標(biāo)準(zhǔn)的卷積對(duì)未知形狀變化目標(biāo)的建模存在固有缺陷，由圖7（a）看到的標(biāo)準(zhǔn)卷積模塊有固定的幾何結(jié)構(gòu)。例如在同一個(gè)卷積層中，所有的卷積核的感受野是一樣的，但是由于不同位置可能對(duì)應(yīng)著不同尺度和形變的物體，因此需要對(duì)尺度和感受野大小進(jìn)行自適應(yīng)進(jìn)而做到精確定位。DCN基于一個(gè)平行網(wǎng)絡(luò)學(xué)習(xí)偏移量，不需要額外的標(biāo)注信息。由圖7（b）看到，卷積核在輸入特征圖上的采樣點(diǎn)發(fā)生偏移，從而使得卷積模塊集中于感興趣的區(qū)域或者目標(biāo)，進(jìn)而使得卷積模塊更精準(zhǔn)地提取到目標(biāo)的特征。通過(guò)圖7（c）和圖7（d）可以直觀地看出，標(biāo)準(zhǔn)卷積只能以固定的結(jié)構(gòu)獲取特征，包含了大部分背景的特征;而可形變卷積則可以完全捕獲目標(biāo)形態(tài)，保證網(wǎng)絡(luò)提取到的特征更加地精準(zhǔn)，提高網(wǎng)絡(luò)的識(shí)別精度。

3 模型訓(xùn)練、預(yù)測(cè)與評(píng)估

3.1 實(shí)驗(yàn)環(huán)境與損失函數(shù)

本文實(shí)驗(yàn)是在64位Ubuntu16.04操作系統(tǒng)環(huán)境下的服務(wù)器上進(jìn)行的，服務(wù)器配置見(jiàn)表2。

3.2 網(wǎng)絡(luò)訓(xùn)練過(guò)程

本文中使用了A、B、C、D表示不同的模型。A模型是FasterR-CNN網(wǎng)絡(luò)模型，B模型是單獨(dú)加入DCN的FasterR-CNN，C模型是單獨(dú)加入FPN的FasterR-CNN，D模型是同時(shí)加入FPN和DCN的FasterR-CNN。4個(gè)模型使用相同的數(shù)據(jù)和訓(xùn)練參數(shù)，采用的優(yōu)化器都是SGD（隨機(jī)梯度下降），初始學(xué)習(xí)率為0.0025。

整體網(wǎng)絡(luò)訓(xùn)練流程如圖8所示。由圖8可以看到，訓(xùn)練樣本首先被輸入到Backbone，輸出一張Backbone特征圖。此處的Backbone是由ResNet50在ImageNet數(shù)據(jù)集上訓(xùn)練得到的參數(shù)初始化的。該特征圖經(jīng)過(guò)一個(gè)卷積模塊后，繼續(xù)被輸入到RPN中。此時(shí)在Anchor機(jī)制作用下，生成大量的Anchor，這些Anchor與GroundTruth進(jìn)行IOU操作，篩選出等量的正負(fù)樣本，用于訓(xùn)練RPN的分類網(wǎng)絡(luò)，正樣本用于訓(xùn)練RPN的預(yù)測(cè)框回歸網(wǎng)絡(luò)。這個(gè)過(guò)程中會(huì)根據(jù)公式（3）產(chǎn)生的損失值，通過(guò)反向傳播機(jī)制，優(yōu)化RPN的參數(shù)。接下來(lái)使用上一輪訓(xùn)練獲得的RPN參數(shù)，進(jìn)行下一輪的訓(xùn)練迭代，經(jīng)過(guò)Backbone的特征圖，使用初步訓(xùn)練的RPN推薦Region后，進(jìn)行分類和預(yù)測(cè)框回歸，此處在GroundTruth的作用下同樣會(huì)產(chǎn)生損失值，這部分反向傳播后用來(lái)優(yōu)化Backbone的參數(shù)。由于DCN和FPN都

不需要額外的損失函數(shù)進(jìn)行優(yōu)化，所以這兩個(gè)模塊與檢測(cè)模型共用同一個(gè)損失函數(shù)，進(jìn)行DCN中像素偏移量的訓(xùn)練。如此循環(huán)訓(xùn)練后，網(wǎng)絡(luò)會(huì)得出優(yōu)化好的Backbone和RPN參數(shù)。

各個(gè)模型訓(xùn)練時(shí)的損失值下降情況如圖9所示。從圖9中可以看出，4個(gè)模型在訓(xùn)練初期，損失值 都有比較大的震蕩幅度，但是在經(jīng)過(guò)5000次迭代以后，總體呈現(xiàn)了比較穩(wěn)定的下降趨勢(shì)，40000次迭代后逐漸趨于平穩(wěn)，說(shuō)明模型已經(jīng)收斂，訓(xùn)練完成。模型D收斂后的損失值可以達(dá)到0.15左右，優(yōu)于其他三個(gè)模型，訓(xùn)練效果良好。

3.3 網(wǎng)絡(luò)測(cè)試與評(píng)估

標(biāo)注信息不參與模型預(yù)測(cè)過(guò)程，只參與模型評(píng)估過(guò)程。將一張測(cè)試圖像輸入網(wǎng)絡(luò)，經(jīng)過(guò)訓(xùn)練好的骨干網(wǎng)絡(luò)提取特征，再將特征圖輸入到區(qū)域推薦網(wǎng)絡(luò)，輸出推薦區(qū)域，最后將推薦區(qū)域的特征圖輸入到后續(xù)的具體分類網(wǎng)絡(luò)和檢測(cè)框回歸網(wǎng)絡(luò)，輸出細(xì)胞的具體分類和檢測(cè)框。圖10展示的是改進(jìn)后的模型對(duì)測(cè)試集樣本中4類陽(yáng)性細(xì)胞的檢測(cè)樣例圖。其中，綠色的框?yàn)槟Ｐ蜋z測(cè)結(jié)果，標(biāo)記了陽(yáng)性細(xì)胞的類別和識(shí)別置信度，分別是（ASC_US，0.85）、（ASC_H，0.79）、（LSIL，1.00）、（HSIL，0.62）;紅色框?yàn)闃?biāo)注框，是病理醫(yī)生對(duì)該細(xì)胞的標(biāo)注類別。

檢測(cè)指標(biāo)的定義見(jiàn)表3。由于目標(biāo)檢測(cè)任務(wù)不僅需要考慮檢測(cè)框中的目標(biāo)是否準(zhǔn)確，還需要考慮檢測(cè)框是否檢測(cè)到足夠全的目標(biāo)，所以本文使用的模型評(píng)價(jià)指標(biāo)是mAP（meanAveragePrecision），即各個(gè)類別AP的平均值。某個(gè)類別的AP值為該類別的P-R（Precision-Recall）曲線與橫縱坐標(biāo)軸圍成區(qū)域的面積。查準(zhǔn)率（precision）和查全率（recall）的數(shù)學(xué)定義如公式（5）和公式（6）所示：

precision= TP TP+FP ，（6）

recall= TP TP+FN .（7）

precision表示模型檢測(cè)出的真正陽(yáng)性細(xì)胞數(shù)與所有被檢測(cè)為“陽(yáng)性”的細(xì)胞數(shù)的比值;recall表示被檢出的真正陽(yáng)性細(xì)胞數(shù)與所有測(cè)試圖片中醫(yī)生標(biāo)注的所有陽(yáng)性細(xì)胞數(shù)的比值。目標(biāo)檢測(cè)任務(wù)通常使用一個(gè)置信度confidence∈[0，1]來(lái)表征模型對(duì)檢測(cè)框中陽(yáng)性細(xì)胞的置信度?？梢宰孕性O(shè)置一個(gè)置信度閾值（threshold），當(dāng)某個(gè)檢測(cè)框的置信度大于該閾值時(shí)，模型才認(rèn)為該檢測(cè)框?yàn)橛行z測(cè)框。顯然，如果threshold太高，模型的檢測(cè)會(huì)非常嚴(yán)格，導(dǎo)致模型檢測(cè)出的陽(yáng)性細(xì)胞基本都是真實(shí)的陽(yáng)性細(xì)胞，那么precision就會(huì)很高。同時(shí)，由于篩選條件過(guò)于嚴(yán)格，會(huì)漏檢一些置信度比較低的真陽(yáng)性細(xì)胞，導(dǎo)致recall變低。同理，threshold過(guò)低時(shí)，雖然recall很高，但是precision很低，所以precision和recall是一對(duì)在threshold的作用下互斥的指標(biāo)。評(píng)價(jià)一個(gè)檢測(cè)模型的效果，是能夠找到一個(gè)合適的threshold閾值，使得precision和recall達(dá)到一個(gè)平衡的狀態(tài)，這樣的模型檢測(cè)效果即準(zhǔn)確又全面。P-R曲線即是以precision和recall這兩個(gè)變量做出的曲線，橫縱坐標(biāo)分別為recall和precision。在本實(shí)驗(yàn)測(cè)試環(huán)節(jié)中，使用訓(xùn)練好的模型對(duì)14873張測(cè)試圖像進(jìn)行檢測(cè)，取0到1（包括0和1）的置信度閾值，取值間隔為0.1。研究得到的P-R曲線如圖11所示。由圖11可知，從左到右第一個(gè)點(diǎn)和第二個(gè)點(diǎn)分別是閾值為0和0.1時(shí)對(duì)應(yīng)的precision和recall值，以此類推，計(jì)算出11個(gè)閾值下的precision和recall值繪制P-R曲線。某一類陽(yáng)性細(xì)胞的AP值即為對(duì)該類的PR曲線進(jìn)行積分運(yùn)算得到的數(shù)值。圖11中的折線與坐標(biāo)對(duì)角線（粉色實(shí)線）相交的點(diǎn)，即為precision和recall達(dá)到兼顧狀態(tài)的平衡點(diǎn)，此時(shí)的threshold可以兼顧模型的查準(zhǔn)率和查全率。由此可見(jiàn)，PR曲線的面積越大，AP越高，平衡點(diǎn)對(duì)應(yīng)的precision和recall就越高，檢測(cè)模型訓(xùn)練效果越好。

各個(gè)模型在測(cè)試集（14873張）上的各類陽(yáng)性細(xì)胞的AP值和mAP值見(jiàn)表4。

4 結(jié)束語(yǔ)

基于改進(jìn)后的FasterR-CNN的異常鱗狀上皮細(xì)胞檢測(cè)，其過(guò)程包含數(shù)據(jù)格式轉(zhuǎn)換、數(shù)據(jù)預(yù)處理、創(chuàng)建實(shí)驗(yàn)數(shù)據(jù)集，設(shè)計(jì)基于FasterR-CNN結(jié)構(gòu)不同的網(wǎng)絡(luò)模型、訓(xùn)練不同的網(wǎng)絡(luò)模型并進(jìn)行評(píng)估和預(yù)測(cè)。針對(duì)陽(yáng)性細(xì)胞的不規(guī)則形狀和小尺度這兩個(gè)檢測(cè)難點(diǎn)，設(shè)計(jì)增加了DCN模塊和FPN模塊的檢測(cè)網(wǎng)絡(luò)。實(shí)驗(yàn)數(shù)據(jù)表明，改進(jìn)后的網(wǎng)絡(luò)也可以收斂，并且提高了模型的mAP指標(biāo)，對(duì)陽(yáng)性細(xì)胞有良好的檢出效果。本文實(shí)驗(yàn)所用算法訓(xùn)練所得的模型，已經(jīng)被應(yīng)用在北京協(xié)和醫(yī)院、濰坊市人民醫(yī)院等三甲醫(yī)院的病理科，并得到了病理醫(yī)生的普遍認(rèn)可。

參考文獻(xiàn)

[1] 尤牧.宮頸液基細(xì)胞學(xué)檢查（TCT）聯(lián)合HPV篩查癌前期病變和早期宮頸癌的臨床作用分析[J].名醫(yī)，2020（13）：89-90.

[2]龔平，張玲，趙廷寬，等.液基細(xì)胞學(xué)檢查在宮頸病變篩查中的應(yīng)用[J].長(zhǎng)江大學(xué)學(xué)報(bào)自然科學(xué)版：醫(yī)學(xué)（下旬），2014，11（24）：40-41，4

[3]LINTY，GOYALP，GIRSHICKR，etal.Focallossfordenseobjectdetection[C]//2017IEEEInternationalConferenceonComputerVision（ICCV）.Venice，Italy：IEEE，2017：2999-3007.

[4]LIUW，ANGUELOVD，ERHAND，etal.SSD：Singleshotmultiboxdetector[M]//LEIBEB，MATASJ，SEBEN，etal.EuropeanConferenceonComputerVision，LectureNotesinComputerScience.Cham：Springer，2016：21-37.

[5]REDMONJ，DIVVALAS，GIRSHICKR，etal.Youonlylookonce：Unified，real-timeobjectdetection[C]//IEEEConferenceonComputerVisionandPatternRecognition.LasVegas：IEEE，2015：779-788.

[6]RENS，HEK，GIRSHICKR，etal.Fasterr-cnn：Towardsreal-timeobjectdetectionwithregionproposalnetworks[C]//AdvancesinNeuralInformationProcessingSystems.Montreal：dblp，2015：91-99.

[7]DAIJ，QIH，XIONGY，etal.Deformableconvolutionalnetworks[C]//ProceedingsoftheIEEEInternationalConferenceonComputerVision.Venice，Italy：IEEE，2017：764-773.

[8]LINTY，DOLLRP，GIRSHICKR，etal.Featurepyramidnetworksforobjectdetection[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.Honolulu，HI，USA：IEEE，2017：2117-2125.