论文部分内容阅读
宫颈癌细胞识别作为宫颈癌防治工作的关键技术之一,对减少女性因患宫颈癌的死亡率具有重要意义。由于细胞图像复杂多变,且现有的识别网络参数量和计算量巨大,基于深度学习的宫颈癌细胞识别存在检测识别率低下、硬件配置需求较高、检测耗时等问题。因此优化宫颈癌细胞识别网络结构是一项具有挑战意义和研究价值的工作,也是关乎女性健康的重要课题。针对上述问题,本文优化了特征提取网络和SSD算法提出了基于改进ResNet的宫颈癌细胞识别网络,并引入了 OD-FWSI算法和全局逐步网络压缩算法用于网络压缩和加速。本文的具体工作如下:(1)提出基于改进ResNet的宫颈癌细胞识别网络用于细胞图像识别。该网络在目前最具影响力的SSD目标检测模型上进行两方面改进。一方面借鉴深度残差网络和密集连接卷积网络结构的优点,同时结合图像特征融合的思想,提出了改进ResNet特征提取网络;另一方面,提出了针对宫颈癌细胞识别的SSD算法,通过改进先验框选取设计、先验框与细胞匹配原则和损失函数三方面,提高了宫颈癌细胞识别的准确率。(2)由于上述网络计算复杂度高,参数众多,需要耗费大量的时间和昂贵的硬件设施去对宫颈癌细胞图像进行识别。因此,本文提出了 OD-FWSI算法和全局逐步网络剪枝算法的宫颈癌细胞识别网络的压缩和加速方法,通过优化卷积运算、增大特征图分享的视野和裁剪神经元的策略来减少宫颈癌细胞识别网络的计算量和模型参数量。在保证网络识别准确率的基础上实现了网络模型压缩和加速,提高了宫颈癌细胞的识别效率,降低了对硬件设备的要求。通过实验得出,基于改进ResNet的细胞特征提取网络分类准确率为86.04%;基于改进ResNet的宫颈癌细胞识别网络mAP值为87.60%;引入OD-FWSI算法的宫颈癌细胞识别网络mAP值为84.52%,网络参数量为原始的43.75%,网络计算量为原始的55%;引入全局逐步网络剪枝算法的宫颈癌细胞识别网络mAP值为84.24%,网络参数量为原始的48%。实验结果表明基于改进ResNet的宫颈癌细胞识别网络具有较高的识别率,泛化能力强;引入OD-FWSI算法和全局逐步网络剪枝算法在保证识别网络准确率的基础上能够极大降低网络模型的参数量和计算量。图40幅,表10个,参考文献34篇。