摘要
宫颈癌是最常见的女性恶性肿瘤之一，严重威胁全球妇女的健康。临床实践中，阴道镜检查是筛查宫颈上皮内瘤样病变等级和宫颈癌的常用技术，通过在强光源下使用低放大率显微镜使宫颈上皮可视化识别宫颈癌，有助于收集宫颈活检标本，获得组织病理学诊断结果。然而人工视觉进行阴道镜筛查的准确性高度依赖于医生的技能，导致其灵敏度和特异性在不同医师之间存在很大差别，同时存在漏诊，效率低下等问题。随着计算机领域与医学领域的交叉迅速发展，深度学习由于其自学能力被普遍应用于提供疾病诊断的自动化方案。因此本文应用安徽省合肥市某医院提供的阴道镜图像数据，提出了基于深度学习的宫颈癌前病变及宫颈癌等级自动分类方法的研究，本文主要研究内容及创新成果如下： (1)提出了一种基于ResNet网络的宫颈癌前病变等级的三分类框架。首先根据宫颈数据集的图像特点，选取ResNet-34模型的特征提取层和分类器作为结构基础；接着设计了一个多尺度特征提取模块替代原始模型的最大池化层，用于聚合更广泛的上下文像素信息从而提高网络的特征提取能力；然后融合一个双重注意力网络，一方面空间注意力控制通道比例的大小，加强重要特征，弱化不重要特征，使提取的特征更有方向性，另一方面位置注意力机制学习不同特征之间的依赖性，提高网络对病变位置的定位效率，经实验验证，该方法分类的准确率和精确度分别达到93.40%和94.30%，敏感性为95.13%，特异性为96.80%。最后与其他分类方法进行对比试验，该网络适用于计算资源有限的移动设备，能够更准确、更快速地对宫颈病变进行分类，满足实时性的需求，具有更实际的临床应用价值。 (2)提出基于深度学习的轻量级网络模型用于宫颈癌前病变等级的四分类研究，该方法可以完成小数据集上的训练任务。首先利用跨阶段的并行特征提取模块CSP-MV2在保证不增加网络负担的基础上增强特征提取性能，更快速精确地提取宫颈病变特征信号；接着引入动态稀疏注意力实现多层级信息交互，捕获不同层次之间的相关性，实现更灵活的计算分配和内容感知；同时为更适配本文分类任务，移除第三个MobileViTblock防止网络训练过程中发生过拟合现象。最后使用七种神经网络模型进行比较实验，本文改进的模型达到90.5%的分类准确率，在小规模下实现了最高准确率及最少参数量，并在混淆矩阵和热图两种可视化指标下进行比较实验，直观体现本文改进模型优越的分类性能。
NETL