论文部分内容阅读
近年来,女性宫颈癌的患病率逐年提高,成为全球女性的主要癌症之一。子宫颈液基薄层细胞检查法（TCT）[1]被认为是发现早期宫颈癌前病变最可靠方法。本研究借助图像处理技术及模糊数学和神经网络建立了基于优化后的模糊神经网络、基于BP神经网络和卷积神经网络的初筛模型,目的是基于对宫颈细胞病理改变进行初步分类诊断,为病理诊断医生节省时间、提高诊断质量。本文借助文献分析法和实验分析法进行研究工作。文中模型建立主要包括四个步骤:.对原始图片做扫描后选择合适的图像处理技术进行三步预处理,包括分割细胞图像,进行有目的地删除背景信息、去噪以及增强感兴趣目标区域图像质量。将基于神经网络与小波变换技术结合的优化后的小波变换技术应用于宫颈细胞图像处理中;2.根据TBS[2]分类要求从图片中提取包括细胞核质比等重要的细胞特征;3.基于临床经验提出模糊推理层次,设计模糊规则;4.使用四种初筛模型对提取的特征进行训练和分类。选取均方根误差、准确率、灵敏度、特异度、精度和F值等预测分类评价指标,实验结果在文中使用混淆矩阵表现,计算后得出各类指标:高斯型自适应模糊神经网络宫颈细胞病变初筛模型准确率最高,为98.93%,灵敏度为99.6%,特异度为98.8%,精度为99.4%,F值为0.995,阴性预测值为0.992;BP神经网络宫颈细胞病变初筛模型的准确率为96.26%,灵敏度为98.56%,特异度为97%,精度为98.46%,F值为0.985,阴性预测值为0.972;三角型自适应模糊神经网络宫颈细胞病变初筛模型的准确率为97.3%,灵敏度为98.98%,特异度为97.8%,精度为97.8%,F值为0.9893,阴性预测值为0.9799;卷积神经网络宫颈细胞病变初筛模型的准确率为97.73%,灵敏度为98.99%,特异度为98%,精度为98.99%,F值为0.9899,阴性预测值为0.98。在模型的敏感性、稳定性和准确性等多个方面的对比中,得出本文结论:基于高斯型隶属度的自适应模糊神经网络的宫颈细胞病变初筛模型在宫颈鳞状上皮细胞内病变分类预测中是最优且合理的。