基于VGG-16的子宫颈癌变分级预测.pdf
《基于VGG-16的子宫颈癌变分级预测.pdf》由会员分享,可在线阅读,更多相关《基于VGG-16的子宫颈癌变分级预测.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 39 卷 第 5 期2023 年 10 月天 津理工大学学报JOURNAL OF TIANJIN UNIVERSITY OF TECHNOLOGYVol.39 No.5Oct.2023收稿日期:2022-03-27;修订日期:2023-03-26基金项目:国家自然科学基金(61773286,62173247)DOI:10.3969/j.issn.1673-095X.2023.05.004基于 VGG-16 的子宫颈癌变分级预测张丽艳1,王娟2,夏承遗1(1.天津理工大学 计算机科学与工程学院,天津 300384;2.天津理工大学 电气工程与自动化学院,天津 300384)摘要:为突破传统人
2、工阅片诊断的局限性,提高对宫颈癌变的筛查效率与准确率,提出一种利用改进后的视觉几何群网络(visual geometry group network,VGG-16)实现女性宫颈病变分级预测的方法,并对原始图像中女性宫颈部位进行感兴趣区域提取及病变位置的定位与分割。在宫颈病变二分类的研究中,通过多次对比试验后,最终测得宫颈病变分级预测的准确率高达 92.95%,与未经改进的方法相比,在时间复杂度与空间复杂度上都有明显的降低。试验表明:文中方法不仅能辅助放射科医生进行病变等级诊断,还可提高诊断的效率与准确率,在临床实践中具有重要意义。关键词:宫颈癌;宫颈病变定位;宫颈病变分割;病变分级预测;感兴趣
3、区域;VGG-16 网络中图分类号:TP391 文献标识码:A 文章编号:1673-095X(2023)05-0021-08Prediction of cervical cancer classification based on VGG-16ZHANG Liyan1,WANG Juan2,XIA Chengyi1(1.School of Computer Science and Engineering,Tianjin University of Technology,Tianjin 300384,China;2.School of Electrical Engineering and Aut
4、omation,Tianjin University of Technology,Tianjin 300384,China)Abstract:In order to break through the limitation of traditional manual diagnosis by using film reading and improve the efficiency and accuracy of cervical cancer screening,the improved visual geometry group network is proposed to perform
5、 the classification and prediction of female cervical lesions,extract interest regions of female cervix in the original image and locate and segment lesion positions.In the study of the two-classification of cervical lesions,the final accuracy rate of the cervical lesion classification prediction af
6、ter multiple comparison experiments is raised up to 92.95%.Compared with unimproved methods,the time complexity and the space complexity are significantly reduced.The experimental results show that the proposed method is feasible and this method can not only assist radiologists in the diagnosis of l
7、esion grades,but also improve the efficiency and accuracy of diagnoses.The research is of great significance in clinical practice.Key words:cervical cancer;cervical lesion location;cervical lesion segmentation;lesion grade prediction;region of interest;VGG-16 network 宫颈癌是最为常见的妇科恶性肿瘤之一1。根据相关资料,从宫颈病变发
8、展到宫颈癌需要 10 15 年2,如能在宫颈病变时准确诊断患者的病情,将极大程度预防宫颈癌,或使癌变得到及时且恰当的治疗,从而提高患者的生命质量,延长患者的生存周期3。目前,传统人工阅片诊断的方式具有一定的局天津理工大学学报第 39 卷 第 5 期限性,易出现误诊、漏诊、效率低及成本高等问题。因此,计算机辅助诊断技术已成为一种趋势,其不仅能够有效降低放射科医生阅片的工作强度,减少误诊和漏诊的发生,还能提高诊断的准确率及效率,避免患者错失治疗的最佳时期。在前人的研究中,SATO 等4以术前阴道镜图像作为输入数据,利用 Keras 神经网络库5和 TensorFlow库6进行深度学习,实现了阴道镜
9、图像的分类;LANGE 等7提出一个多层次的宫颈病变区域检测算法,采用一种新的区域选择算法从区域分割中提取出病变区域并进行检测;ELAYARAJA 等8采用面向局部直 方 图 技 术(oriented local histogram technique,OLHT)9和双树复小波变换(dual tree complex wavelet transform,DT-CWT)10对宫颈图像进行边缘增强,并得到多分辨率的图特征,然后,采用前馈-反向传播神经网络11对提取的特征进行训练和测试,对给定的宫颈图像进行正常和异常分类。但是,上述方法只是针对宫颈是否存在癌变进行预测,得到的预测结果并不足以证明所用
10、方法在预测多类型病变时的有效性。文中利用改进后的 VGG-16 网络实现对女性宫颈病变的多种分级预测与诊断,同时,为提高 VGG-16网络训练的效率,对女性宫颈原始图像进行预处理,得到宫颈区域粗分割的结果,实现了宫颈病变区域的定位与分割。通过大量对比试验发现,与未改进的方法相比,文中提出的方法在病变分级预测的准确率上有明显提高。1 宫颈图像预处理 在临床检查中,对女性宫颈部位的病变检查主要是通过阴道镜实现的12。由于阴道镜检查过程中拍摄的宫颈图像存在过多外部干扰信息,如棉球及窥阴镜等医疗用具,因此,对女性宫颈图像进行预处理能有效减少外部信息对网络训练时的影响,提高神经网络训练的效率;同时,利用
11、神经网络进行图像分类任务学习时,图像尺寸的大小也是影响网络训练效率的重要原因,对宫颈部位进行粗分割能缩减图像尺寸,减少网络训练时的计算量,提高宫颈病变分级预测的准确率。1.1 宫颈区域粗分割为突出女性宫颈部位在图像中所占比例,提高宫颈病变分级预测时网络的训练效率,文中提出一种实现女性宫颈区域粗分割的新方法。女性宫颈区域粗分割流程如图 1 所示。图 1 女性宫颈区域粗分割流程Fig.1 Flow chart of coarse segmentation of female cervix region观察 3 类(醋酸白试验的时序图像、绿镜试验图像及复方碘溶液试验图像)女性宫颈图像成像特点,图像大
12、致由女性宫颈区域和其余外部信息组成。利用K-Means 聚类算法13-14对原始宫颈图像进行聚类,选择聚类参数 K 值为 2,即聚为两类。通过试验发现,聚类过程受图像像素大小的影响,得到部分聚类后的图像可能无法进行预处理。因此,为提高聚类后图像的可用性,在图像进行聚类前,加入图像黑边去除的算法,克服图像像素大小对聚类操作的影响。在聚类后,考虑图像中像素点的连通性,设计连通区域算法,判定出图像中最大的连通区域,并用红色矩形框进行标记,以实现在宫颈图像中对宫颈区域的粗分割。受聚类结果的影响,碘溶液试验图像中对宫颈部位的聚类效果最为明显,而醋酸白试验的部分时序图像与绿镜试验部分图像中的某些像素点未连
13、通,无法判断其图像的连通区域。因此,采用形态学中的膨胀操作15对聚类后醋酸白和绿镜试验的图像进行处理,其目的是:(1)扩大宫颈区域连通域占比,使其能够作为进行图像连通性判断的基础;(2)聚类后图像连通区域进一步扩张,使宫颈区域22 2023 年 10 月张丽艳,等:基于 VGG-16 的子宫颈癌变分级预测得以连通。将 3 类宫颈图像中的最大连通区域按照标记的矩形框进行裁剪,得到女性宫颈区域粗分割后的图像。女性宫颈区域粗分割可视化结果如图 2 所示。注:第 1 列和第 2 列为经醋酸白试验后的宫颈图像;第 3 列为经绿镜试验后宫颈图像;第 4 列为经复方碘溶液试验后宫颈图像。图 2 女性宫颈区域
14、粗分割可视化结果图Fig.2 Visualized results of coarse segmentation of female cervix region1.2 宫颈病变定位与分割为辅助放射科医生对宫颈病变做出更加准确的诊断,文中提出一种基于宫颈图像颜色及纹理信息的新算法,以实现对女性宫颈病变区域的定位与分割。输入:粗分割后的女性原始宫颈图像,img输出:女性宫颈病变区域定位分割后图像1:读取 img,并将其转换为 HSV 模式,hsv2:根据宫颈图像病变区域的颜色信息设置颜色阈值:w_red=np.array(0,150,0),h_red=np.array(180,255,255)3:
15、if hsv in range(w_red,h_red)then4:构建图像掩膜,mask5:end if6:进行位运算,求 img 与 mask 的重合部分,实现宫颈区域的定位及分割7:return 宫颈病变区域分割结果图宫颈病变区域分割可视化的结果如图 3 所示,分割结果可作为疑似宫颈病变区域的预判,辅助医生提供初步重点关注的区域,进而提高放射科医生阅片诊断的效率,避免误诊与漏诊的发生,使患者得到及时有效地治疗。注:第 1 列图像中实线标记区域为女性宫颈病变区域,第 2 列图像分别为利用设计的分割算法预测得到的宫颈病变区域。图 3 女性宫颈病变区域分割可视化结果Fig.3 Visualiz
16、ed results of segmentation of female cervical lesions2 基于 VGG-16 的病变分级预测方法2.1 改进的 VGG-16 网络经典的 VGG-16 网络共包含 16 个隐藏层,由 13个卷积层和 3 个全连接层构成。其网络结构较简单,整个网络都采用同样大小的卷积核尺寸(33)和最大池化核尺寸(22)。相比其他网络,VGG-16 的网络层数深,卷积核及池化核的尺寸小,而且在神经网络中,卷积核专注于对特征地提取,池化核专注于缩小特征图的宽和高,这使 VGG-16 网络模型在架构上达到更深及更广的同时,计算量的增加也得以放缓,使网络在获得更大感
17、受野的同时降低网络参数。同时,多次采用 ReLu 激活函数拥有更多的线性变换,对于图像特征的学习能力更强。但由于网络层数深,卷积核及全连接层的权重参数相对来说较多,调参的难度大;从时间复杂度的角度会导致网络训练的时间较长,难以快速达到收敛;从空间复杂度上看,网络训练后的权重文件需要的存储空间更大。因此,文中加入批归一化(batch normalization,BN)层,目的是为加快网络训练和收敛的速度,控制梯度爆炸并防止梯度消失,增强网络对特征的学习能力,使网络能学习到更多隐含的特征。为降低调参的难度,减少网32天津理工大学学报第 39 卷 第 5 期络中参数的数量并降低存储空间,将原本 VG
18、G-16 网络中的全连接层替换为全局平均池化层(global average pooling,GAP)。由全连接层替换为 GAP 层的结构如图 4 所示。图 4 全连接层替换为 GAP 层的结构Fig.4 Structure diagram of replacing the fully connected layer with the GAP layer2.2 全局平均池化层效能评估不同于全连接层需要训练大量的参数,全局平均池化层将卷积后的特征图通过采用平均池化层的方式进行降维,同时保留各卷积层和池化层提取到的特征信息,在网络性能上的提升也较为明显。文中设计了两个子试验,分别对全连接层与全局平
19、均池化层的效能进行对比。全连接层与全局平均池化层效能评估对比如表 1 所示。表 1 全连接层与全局平均池化层效能评估对比表Tab.1 Comparison table of performance evaluation between fully connected layer and global average pooling layer降维方法总参数量训练参数量生成模型大小/MB二分类准确率/%Flatten 操作134 276 932134 276932102485.89全局平均池化14 718 78614 717 25011292.95 文中试验的降维方法分别采用 Flatten 操
20、作和全局平均池化。采用全连接层中的 Flatten 操作时,网络所需训练的数据量为 134 276 932,而选用全局平均池化层训练的数据量为 14 717 250。从网络所需训练的数据量上可看出:采用全局平均池化层的情况下,训练的模型参数缩小了近 10 倍,训练后得到的模型权重文件所占存储空间也同样缩小了近 10 倍;同时,在二分类的准确率上,全局平均池化层的性能要明显高于全连接层中 Flatten 操作的性能。试验表明:采用全局平均池化层替代全连接层能有效减少训练数据量,避免数据过多产生的过拟合影响,使网络更加健壮。3 试验与结果分析3.1 数据集描述试验中所用宫颈图像数据中,正常病例 1
21、45 例,CIN1(轻度非典型增生)病例 133 例,CIN2/3(中度非典型增生)病例 146 例,宫颈癌症病例 53 例。该数据集共 3 339 幅图像,均已由临床经验丰富的专家进行了宫颈病变等级划分。每个病例包括 7 例宫颈图像,其中,5 例为醋酸白试验前后阴道镜每间隔一定时间连续拍摄的图像,1 例为绿镜试验后图像,1 例为复方碘溶液试验后图像。文中所用数据集的具体信息如表 2 所示。表 2 文中所用数据集的具体信息Tab.2 Specific information of the data set used in this study正常CIN1CIN2/3宫颈癌变病例数1451331
22、4653宫颈图像数/幅1 0159311 0223713.2 试验环境本研究中对宫颈图像的粗分割、宫颈病变定位及分割的实现环境具体配置为 Intel(R)Core(TM)i7-9700 CPU 3.00 GHz 且运行 64 位 Windows 操作系统的个人台式计算机上运行。对于实现宫颈病变分级预测的试验,在实验室的服务器上运行,该服务器运行 64 位 Windows 操作系统,硬件环境为 Intel Core i7-7820X 3.60GHZ CPU,4 块 NVIDIA GeForce RTX 2080 Ti 显卡和 64GB RAM。全部试验程序均是由 Python 语言编写。为训练得
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 VGG 16 子宫颈 癌变 分级 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。