为了避免宫颈病理切片中误诊漏诊和细胞识别效率低下的问题,提高细胞识别效率和精度,针对宫颈细胞数据集少的特点,建立以宫颈细胞识别准确率和特异性为目标的深度学习模型TLS-Net50(Transfer Label Smooth Net 50).该算法引入迁移学习,增强了模型的特征提取能力,减少了模型的训练时间和训练成本.为了提高模型的泛化性和鲁棒性,在此基础上使用标签平滑正则化策略.改进后的算法在公开数据上的平均分类准确率达到了98％,对比其他经典深度学习算法表现优异,这证明了TLS-Net50算法在计算机辅助宫颈细胞分类识别领域是具有优越性的,具有一定的应用前景.
Classification of Cervical Cells Based on Transfer Learning and Label Smoothing Strategy
万方数据
维普
