写在前面:该文章发于期刊。
DeepPap: Deep Convolutional Networks for Cervical Cell Classification
Ling Zhang, Le Lu, Senior Member, IEEE, Isabella Nogues, Ronald M. Summers, Shaoxiong Liu, and Jianhua Yao
一、背景
传统方法通常基于准确的细胞分割,但细胞簇以及病理学图像均存在难以准确分割的现象。传统方法大多基于形态学和质地的人工特征。
作者想引入深度学习直接分类,避免分割带来的误差。
二、贡献
1、作者认为自己是首例引入深度学习进行宫颈细胞分类的
2、无需手动人工特征,直接分类,可以防止引入分割噪声
3、在Herlev Pap smear 和 HEMLBC 两个数据集均取得最好结果
三、裁剪
宫颈诊断通常根据细胞核进行分类,因而以细胞核为中心裁剪mxm的图像块用于训练和测试。
四、数据增强
旋转与位移
五、网络
BVLC CaffeNet 以RGB三通道作为输入。
ImageNet预训练,迁移学习。fc层修改(4096-6096-1000改为1024-256-2)
输入256x256,随机裁剪为227x227,减均值。SGD,batch=256,30 epochs。dropout=0.5.
最终结果为测试图像1000个patch的均值。
六、测试
训练时增强的数据以不同位置crop送入网络训练,测试时扩增同样的数据量的图块进行测试,最终取均值作为结果。
评估指标:
五折交叉验证
Sensitivity, Specificity, accuracy, harmonic mean, F-measure, AUC
七、数据集
1、公开数据集 Herlev 917张 m取128 图像较小,上采样到256x256送入网络
2、私有数据集 HEMLBC 病理图像
总结:
1、人工校准细胞核的中心位置,尤其测试集,使得算法失去了自动识别的意义
2、迁移学习创新不足,可能作者做的时候还没有人引入深度学习吧
3、速度慢,难以临床应用