摘要:針對現(xiàn)有的細胞分類方法在準(zhǔn)確率方面無法滿足人們要求的現(xiàn)象，本文提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的細胞分類新方法:嵌套殘差網(wǎng)絡(luò)(MultipleResidualNeuralNetwork，M-ResNet)。該方法以深度學(xué)習(xí)理論為基礎(chǔ)，在原始ResNet50基礎(chǔ)上添加了更高級別的快捷連接(嵌套快捷連接)，以挖掘殘差網(wǎng)絡(luò)的優(yōu)化能力。實驗采取宮頸癌細胞作為數(shù)據(jù)集進行了細胞分類方法測試，其中3528幅作為訓(xùn)練集，350幅作為測試集。通過與ResNet50網(wǎng)絡(luò)模型進行對比實驗，得出測試結(jié)果表明:該方法可以有效提高細胞分類的正確率和工作效率，驗證了該方法的有效性。這些研究對卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用和細胞分類方法的發(fā)展有著重要的意義，有很好的現(xiàn)實價值。

　　關(guān)鍵詞:宮頸細胞;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);殘差網(wǎng)絡(luò);快捷連接

　　0引言

　　在現(xiàn)代醫(yī)學(xué)診斷中，細胞圖像分類發(fā)揮著重要的作用。通過對細胞圖像的分類，可以快速得到細胞的部分狀態(tài)信息，對病理的診斷和確定有著重要的意義。因此，長期以來醫(yī)學(xué)診斷的發(fā)展都是人們關(guān)注的重點研究課題。我國對于醫(yī)學(xué)診斷中的細胞分類研究也十分重視。隨著新技術(shù)的發(fā)展和應(yīng)用，原有的細胞分類方法在分類效率等方面的缺陷逐漸暴露出來。為了推動細胞分類工作的發(fā)展，本文擬通過分析細胞分類方法目前存在的問題，研究一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的細胞分類新方法M-ResNet。

　　1細胞分類與深度卷積神經(jīng)網(wǎng)絡(luò)

　　細胞圖像分類是現(xiàn)代醫(yī)學(xué)診斷中常用的一種技術(shù)方法。目前細胞分類方法已經(jīng)發(fā)展的比較成熟，可以滿足不同條件下的需求。在應(yīng)用的過程中，現(xiàn)有的細胞分類方法也存在著一定的不足。

　　1.1細胞分類方法現(xiàn)存問題

　　細胞學(xué)檢查法最早應(yīng)用于早期宮頸癌的排查工作。通過對細胞圖像的分析實現(xiàn)對細胞生理信息的判斷，可以有效提高早期宮頸癌的排查效率和準(zhǔn)確率。但該類方法不僅需要大量專業(yè)技術(shù)人員，而且工作效率低下[1]。采用計算機輔助細胞學(xué)檢測的方法不僅可以提高篩選效率，也能夠有效降低誤診率和假陰性率[2]。

　　經(jīng)過多年發(fā)展，計算機輔助的細胞圖像分類方法已經(jīng)比較成熟。目前應(yīng)用于細胞分類的方法主要有兩種，分別是基于細胞核特征構(gòu)建的分類方法和多圖像裁剪分類方法。但這兩種方法的應(yīng)用都存在一定的局限性。基于細胞核特征構(gòu)建的分類方法缺乏一定的準(zhǔn)確率，而多圖像裁剪分類則容易造成信息冗余或丟失等[3-4]。因此，人們需要推動新的細胞分類方法的發(fā)展。深度卷積神經(jīng)網(wǎng)絡(luò)憑借自身的優(yōu)勢受到了人們的廣泛關(guān)注。

　　1.2卷積神經(jīng)網(wǎng)絡(luò)發(fā)展現(xiàn)狀

　　針對原有的細胞分類方法存在的缺陷，人們提出了基于卷積神經(jīng)網(wǎng)絡(luò)的細胞分類方法。作為人工神經(jīng)網(wǎng)絡(luò)的一種，卷積神經(jīng)網(wǎng)絡(luò)(CNN)在降低模型復(fù)雜度和權(quán)值數(shù)量的同時，可以有效保持圖像的高度不變形。因此，卷積神經(jīng)網(wǎng)絡(luò)在圖像識別等領(lǐng)域的應(yīng)用受到了人們的廣泛關(guān)注[5-6]。針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)存在的向前傳輸神經(jīng)元輸出值持續(xù)增大的問題，Glorot等人提出了Xavier算法初始化CNN[7-8]。但該方法仍未完全克服網(wǎng)絡(luò)的不穩(wěn)定性。因此，蔡楠等人提出了一種基于核主成分分析的方法，用于實現(xiàn)初始化CNN的權(quán)重[9]。這些方法對于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化和應(yīng)用都有很重要的意義。

　　1.3基于深度卷積神經(jīng)網(wǎng)絡(luò)的細胞分類方法

　　近年來，卷積神經(jīng)網(wǎng)絡(luò)在細胞分類中廣泛應(yīng)用。實踐經(jīng)驗表明:CNN在宮頸癌變的識別中可以發(fā)揮出重要的作用。CNN的應(yīng)用方法比較多樣，例如根據(jù)多模態(tài)數(shù)據(jù)、細胞圖像、陰道鏡圖像等都可以實現(xiàn)癌變識別的目的[10-12]。在重疊圖像的識別方面，CNN也有著獨特的應(yīng)用[13]。為了克服卷積神經(jīng)網(wǎng)絡(luò)在圖像特征提取方面存在的準(zhǔn)確率問題，趙越等人提出了一種將特征提取器和分類器聯(lián)級為整體的CNN分類器，并驗證了其應(yīng)用效果，明顯提升了細胞分類的準(zhǔn)確率[14]。

　　上述研究都表明CNN可以有效提高細胞分類的效率和質(zhì)量。現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的細胞分類方法在復(fù)雜背景和含有雜質(zhì)的細胞分類方向上存在著比較大的局限性。對此，本文以深度學(xué)習(xí)的理論為基礎(chǔ)，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的算法特點，提出了一種適用于細胞分類的深度卷積神經(jīng)網(wǎng)絡(luò)的算法優(yōu)化方法，并進行了其在細胞分類中的應(yīng)用實驗。

　　2本文算法

　　2.1ResNet網(wǎng)絡(luò)介紹

　　CNN提供了一種端到端的深度學(xué)習(xí)模型，模型中的參數(shù)可以通過傳統(tǒng)的梯度下降法進行訓(xùn)練，經(jīng)過訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)到圖像的特征，并且完成對圖像特征的提取和分類。與傳統(tǒng)的機器學(xué)習(xí)算法相比，采用深度學(xué)習(xí)算法可以免去分割提取特征的繁瑣過程，讓算法流程變得簡單，同時也避免了傳統(tǒng)算法中由于預(yù)處理、分割、特征提取等操作造成的誤差，使得細胞的識別率比傳統(tǒng)的機器學(xué)習(xí)要高。模型的深度在圖像分類中發(fā)揮著至關(guān)重要的作用，這導(dǎo)致ImageNet競賽的參賽模型都非常深。在追求網(wǎng)絡(luò)深度的時候，出現(xiàn)了一個新的問題:梯度消失/梯度爆炸。

　　后來，通過歸一初始化和中間歸一化解決了這一問題，使得數(shù)十層的網(wǎng)絡(luò)在反向傳播的隨機梯度下降上能夠收斂。當(dāng)深層網(wǎng)絡(luò)能夠收斂時，一個退化問題又出現(xiàn)了，ResNet網(wǎng)絡(luò)通過深度殘差框架解決了這個退化問題。ResNet模型的出現(xiàn)是CNN史上一個里程碑事件，ResNet可以訓(xùn)練出更深的CNN模型，從而實現(xiàn)更高的準(zhǔn)確度。變化主要體現(xiàn)在ResNet直接使用stride=2的卷積做采樣，并且用globalaveragepool層替換了全連接層。為了保持網(wǎng)絡(luò)層的復(fù)雜度，ResNet采用了一個重要的設(shè)計原則:當(dāng)特征圖的大小降低一半時，特征圖的數(shù)量將會增加一倍。ResNet模型的核心是通過建立前面層與后面層之間的“短路連接”(shortcuts，skipconnection)，這有助于訓(xùn)練過程中梯度的反向傳播，從而訓(xùn)練出更深的CNN網(wǎng)絡(luò)。

　　2.2M-ResNet網(wǎng)絡(luò)

　　盡管ResNet模型使用了“短路連接”來實現(xiàn)特征重用(featurereuse)，但是由于短連接的數(shù)量比較少，特征重用的作用并沒有達到最好的狀態(tài)，通過簡單地堆疊殘余塊來構(gòu)建網(wǎng)絡(luò)不可避免地限制了其優(yōu)化能力。本文提出了深度卷積神經(jīng)網(wǎng)絡(luò)的細胞分類新方法M-ResNet，下面將詳細介紹改進細節(jié)。M-ResNet整體結(jié)構(gòu)圖和ResNet50基本一樣，整體結(jié)構(gòu)由5部分構(gòu)成，分別是:conv1，conv2_x，conv3_x，conv4_x，conv5_x。每部分由指定個數(shù)的block組成，總共有16個block，每個block為3層，所以有16×3=48層。開始有一個7×7×64的卷積，最后有一個用于分類的fc層，所以M-ResNet總共有50層。

　　相比ResNet，M-ResNet使用了一種比ResNet連接更多的機制，將conv_2x中的前兩個block輸出的特征圖全部疊加到第3個block輸出的特征圖上作為conv_3x的輸入。M-ResNet是將原先的block殘差塊進行再一次的嵌套快捷連接，疊加的方式是通過元素級的相加。conv_2x中有3個普通快捷連接和2個嵌套快捷連接，共5個快捷連接，conv3_x，conv4_x，conv5_x分別有7，11，5個快捷連接，所以M-ResNet共有28個快捷連接，相比ResNet50的16個快捷連接，多出12個嵌套快捷連接。

　　3實驗及結(jié)果分析

　　本文通過分析深度學(xué)習(xí)的理論，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的算法特點，對基于深度卷積神經(jīng)網(wǎng)絡(luò)的細胞分類算法進行了優(yōu)化。為了驗證優(yōu)化后算法MResNet的效果，本文進行了實驗分析。實驗共分為3部分進行，分別是數(shù)據(jù)集預(yù)處理、網(wǎng)絡(luò)訓(xùn)練和結(jié)果分析。該測試方法也是目前廣泛采用的實驗測試方法，可以對實驗效果進行比較全面的分析。

　　3.1數(shù)據(jù)集

　　本文采用的數(shù)據(jù)集是來自海萊烏科技大學(xué)(HerlevUniversityHospital，HUH)和丹麥科技大學(xué)(TechnicalUniversityofDenmark，TUD)搜集的Herlev巴氏涂片新版數(shù)據(jù)集。總共917個單獨的巴氏涂片細胞圖像，分別為淺表鱗狀上皮、中層鱗狀上皮、柱狀上皮、輕度中度重度非典型增生和原位癌共7類細胞。

　　3.2評價指標(biāo)

　　每類細胞選用50張樣本進行測試，正確率、召回率和F值是評價網(wǎng)絡(luò)優(yōu)劣的重要指標(biāo)。其定義分別為正確率=正確識別的個體總數(shù)識別出的個體總數(shù)，(8)召回率=正確識別的個體總數(shù)測試集中存在的個體總數(shù)，(9)F值=正確率×召回率×2正確率+召回率，(10)其中，識別出的個體總數(shù)即為識別出的正確細胞個數(shù)加上識別出的判斷錯誤的細胞個數(shù);測試集中存在的個體總數(shù)即為本文選取的各類細胞的樣本(50張)。正確率是評估識別出的細胞中判斷正確的細胞所占的比例;召回率是指召回目標(biāo)類別的比例;F值是綜合前兩者的評估指標(biāo)，用于綜合反映整體的指標(biāo)。

　　3.3網(wǎng)絡(luò)訓(xùn)練

　　在完成預(yù)處理工作后，本文采用M-ResNet對宮頸細胞數(shù)據(jù)集進行分類識別。設(shè)備要求:①在Window10X64系統(tǒng)上進行;②GeForceGTX1080TiGPU顯卡;③內(nèi)存15G。該實驗在TensorFlow框架下進行訓(xùn)練。本文的迭代次數(shù)為20000，動量為0。9，學(xué)習(xí)率為0。0001。為了防止過擬合，提高模型的泛化能力，在模型訓(xùn)練的過程中，將訓(xùn)練集按照5∶1的比例進一步地劃分為訓(xùn)練集(trainsamples)和驗證集(validationsamples)。在本文中，訓(xùn)練集的數(shù)量為2943，驗證集的數(shù)量為585。本文的M-ResNet模型以宮頸細胞圖像及其標(biāo)簽作為輸入，通過網(wǎng)絡(luò)的學(xué)習(xí)，得到一個模型文件，最后輸入測試集，得到帶有標(biāo)簽和概率的結(jié)果圖像。

　　3.4結(jié)果分析

　　完成數(shù)據(jù)集預(yù)處理、訓(xùn)練和測試工作后，本文對所得到的圖像數(shù)據(jù)進行了統(tǒng)一處理，并對基于深度卷積神經(jīng)網(wǎng)絡(luò)的細胞分類新方法M-ResNet的應(yīng)用結(jié)果進行了分析。并標(biāo)注該細胞屬于哪種宮頸細胞類型及細胞屬于所標(biāo)類型的概率。所屬細胞類型及其概率分別為:(a)normalSuperficiel1。0，(b)Normalintermediate1。0，(c)Normalcolumnar0。99，(d)Lightdysplastic1。0，(e)Moderatedysplastic0。99，(f)Severedysplastic0。99，(g)Carcinomainsitu0。99。

　　4結(jié)論

　　宮頸細胞分類對醫(yī)學(xué)診斷和醫(yī)學(xué)圖像處理有著重要的意義。針對現(xiàn)有的細胞分類方法中存在的效率低、正確率偏低等問題，本文以深度學(xué)習(xí)理論為基礎(chǔ)，研究了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的細胞分類新方法M-ResNet，并采用Herlev數(shù)據(jù)集對該方法進行了測試。測試結(jié)果表明:該方法在提高細胞分類正確率和工作效率方面有著明顯的作用。但對于中度非典型增生和原位癌的具體識別工作還有待進一步提高，可作為下一步研究的主要工作目標(biāo)。

　　參考文獻:

　　[1]RustagiAS，KamineniA，WeinmannS，etal。Cervicalscreeningandcervicalcancerdeathamongolderwomen:apopulation-based，case-controlstudy[J]。AmericanJournalofEpidemiology，2014，179(9):1107-1114。[2]NayarR，WilburDC。TheBethesdasystemforreportingcervicalcytology[M]。Heidelberg:SpringerInternationalPublishing，2015。

　　[3]PlissitiME，NikouC。Cervicalcellclassification

　　basedexclusivelyonnucleusfeatures[C]。Proceedingsofthe9thInternationalConferenceonImageAnalysisandRecognition。Heidelberg:Springer，2012，PartII:483-490。

　　[4]ZhaoM，WuAG，SongJJ，etal。Automaticscreeningofcervicalcellsusingblockimageprocessing[J]。BiomedicalEngineeringOnline，2016，15(1):131-151。

　　[5]許可。卷積神經(jīng)網(wǎng)絡(luò)在圖像識別上的應(yīng)用的研究[D]。杭州:浙江大學(xué)，2012。

　　圖像識別論文范文：試論圖像處理技術(shù)特征及其在網(wǎng)頁制作中的作用

　　近些年，隨著社會經(jīng)濟的快速發(fā)展，基于網(wǎng)絡(luò)而開展的企業(yè)宣傳、遠程教育、網(wǎng)購等也得到了快速發(fā)展。網(wǎng)頁制作技術(shù)成為網(wǎng)站建設(shè)的重心，人們審美能力也得到了提升，對于網(wǎng)頁也有了更高的要求。美觀的網(wǎng)頁界面成為消費者和網(wǎng)站工作者的共同追求，這就對設(shè)計師提出了更高的要求，設(shè)計師需要借助圖形處理技術(shù)來對其進行美化。本文就對網(wǎng)頁制作過程中圖形處理、技術(shù)設(shè)計等方面進行闡述，以此來說明圖像處理技術(shù)的優(yōu)勢。