基于改进Faster-RCNN网络的宫颈癌区域检测研究.pdfVIP

摘要

宫颈癌是全世界妇女死亡的主要原因之一，尤其是在发展中和欠发达国家。

阴道镜筛查是宫颈癌早起诊断最有效的途径之一，但是由于人工筛查存在效率低、

准确度受医生经验和主观判断影响等问题的存在，使得结合计算机开发宫颈癌区

域自动检测的人工智能工具成为当前研究的热点。目前研究发现，使用目标检测

算法可以在阴道镜图像上检测并标定出来宫颈癌区域，从而给医生提供建设性的

参考意见。但是目标检测普遍存在的一个问题是只能单一的使用一种染色后的阴

道镜图像进行训练和检测，这会带来检测结果具有假阳性区域等问题。

针对这些问题，本文提出了一种基于Faster-RCNN网络的双通道宫颈癌区域

检测框架，称之为HLDNet。该框架同时对醋酸和碘染色后的阴道镜图像进行训

练和检测，并采用多模态融合的方式对检测结果进行晚融合，极大限度的排除假

阳性区域，从而提升检测结果的准确率。本文主要工作如下：

（1）由于面临可以用于目标检测算法训练并且标记过的阴道镜图像过于稀

少等问题。我们和医院合作，由专业的阴道镜专家对阴道镜图像上宫颈癌区域进

行标注。我们根据标注结果使用LabelImg软件标定生成可用于目标检测训练的

数据集。

（2）本文深入理解和研究现阶段常用的特征提取算法，结合VGGNet、

ResNet、DenseNet算法的思想，设计了新的特征提取网络。为了验证特征提取网

络的有效性，在特征提取网络后面加上用于分类的全连接层，设计宫颈癌图像分

类实验。实验结果表明本文设计的特征提取网络在阴道镜数据集上具有较好的分

类效果，准确率达到了79.36%，相较于常见的特征提取网络最大提升了8.31个

分百分点。

（3）首先对Faster-RCNN算法做出了改进。主要涉及了特征提取网络的替

换和改进了ROIpooling层从而修复了像素级的映射损失。然后提出了双通道的

宫颈癌区域检测框架HLDnet。该框架主要采用两个改进后的Faster-RCNN算法

对两种染色后的阴道镜图像进行训练，学习不同试剂染色后的宫颈癌变化特征。

设计出了IOU决策算法，对两个通道的检测结果进行晚融合，排除假阳性区域。

最后设计了对比实验，验证了改进后的Faster-RCNN算法在阴道镜图像上表现出

的优越性。同时设计了单通道和双通道的消融实验，结果显示双通道检测准确率

可以达到84%。

关键词：深度学习；Faster-RCNN；多模态融合；宫颈癌区域检测；HLDnet

ABSTRACT

Cervicalcancerisoneoftheleadingcausesofdeathamongwomenworldwide,

especiallyindevelopingandunderdevelopedcountries.Colposcopyscreeningisone

ofthemosteffectivewaystodiagnosecervicalcancerearly.However,duetothelow

efficiencyandaccuracyofmanualscreening,itisaffectedbydoctors’experienceand

subjectivejudgment.Therefore,anewartificialintelligenceforcervicalcancerarea

detectionisdevelopedincombinationwithcomputers.Thetoolhasattractedalarge

numberofresearchers.Currentresearchhasfoundthattheuseoftargetdetection

algorithmscanmarkthecervicalcancerareaonthecolposcopyimage,whichcan

providedoctorswithconstructivereferenceopinions.However,acommonproblemin

targetdetection