摘要:針對現有的細胞分類方法在準確率方面無法滿足人們要求的現象，本文提出一種基于深度卷積神經網絡的細胞分類新方法:嵌套殘差網絡(MultipleResidualNeuralNetwork，M-ResNet)。該方法以深度學習理論為基礎，在原始ResNet50基礎上添加了更高級別的快捷連接(嵌套快捷連接)，以挖掘殘差網絡的優(yōu)化能力。實驗采取宮頸癌細胞作為數據集進行了細胞分類方法測試，其中3528幅作為訓練集，350幅作為測試集。通過與ResNet50網絡模型進行對比實驗，得出測試結果表明: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網絡的應用和細胞分類方法的發(fā)展有著重要的意義，有很好的現實價值。

　　關鍵詞:宮頸細胞;深度學習;卷積神經網絡;殘差網絡;快捷連接

　　0引言

　　在現代醫(yī)學診斷中，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)學診斷的發(fā)展都是人們關注的重點研究課題。我國對于醫(yī)學診斷中的細胞分類研究也十分重視。隨著新技術的發(fā)展和應用，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網絡的細胞分類新方法M-ResNet。

　　1細胞分類與深度卷積神經網絡

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

　　1.1細胞分類方法現存問題

　　細胞學檢查法最早應用于早期宮頸癌的排查工作。通過對細胞圖像的分析實現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確率。但該類方法不僅需要大量專業(yè)技術人員，而且工作效率低下[1]。采用計算機輔助細胞學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]。

　　經過多年發(fā)展，計算機輔助的細胞圖像分類方法已經比較成熟。目前應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建的分類方法和多圖像裁剪分類方法。但這兩種方法的應用都存在一定的局限性。基于細胞核特征構建的分類方法缺乏一定的準確率，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。深度卷積神經網絡憑借自身的優(yōu)勢受到了人們的廣泛關注。

　　1.2卷積神經網絡發(fā)展現狀

　　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網絡的細胞分類方法。作為人工神經網絡的一種，卷積神經網絡(CNN)在降低模型復雜度和權值數量的同時，可以有效保持圖像的高度不變形。因此，卷積神經網絡在圖像識別等領域的應用受到了人們的廣泛關注[5-6]。針對傳統(tǒng)神經網絡存在的向前傳輸神經元輸出值持續(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絡的不穩(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，用于實現初始化CNN的權重[9]。這些方法對于卷積神經網絡的結構優(yōu)化和應用都有很重要的意義。

　　1.3基于深度卷積神經網絡的細胞分類方法

　　近年來，卷積神經網絡在細胞分類中廣泛應用。實踐經驗表明:CNN在宮頸癌變的識別中可以發(fā)揮出重要的作用。CNN的應用方法比較多樣，例如根據多模態(tài)數據、細胞圖像、陰道鏡圖像等都可以實現癌變識別的目的[10-12]。在重疊圖像的識別方面，CNN也有著獨特的應用[13]。為了克服卷積神經網絡在圖像特征提取方面存在的準確率問題，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，并驗證了其應用效果，明顯提升了細胞分類的準確率[14]。

　　上述研究都表明CNN可以有效提高細胞分類的效率和質量。現有的基于卷積神經網絡的細胞分類方法在復雜背景和含有雜質的細胞分類方向上存在著比較大的局限性。對此，本文以深度學習的理論為基礎，根據卷積神經網絡的算法特點，提出了一種適用于細胞分類的深度卷積神經網絡的算法優(yōu)化方法，并進行了其在細胞分類中的應用實驗。

　　2本文算法

　　2.1ResNet網絡介紹

　　CNN提供了一種端到端的深度學習模型，模型中的參數可以通過傳統(tǒng)的梯度下降法進行訓練，經過訓練的卷積神經網絡能夠學習到圖像的特征，并且完成對圖像特征的提取和分類。與傳統(tǒng)的機器學習算法相比，采用深度學習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)的機器學習要高。模型的深度在圖像分類中發(fā)揮著至關重要的作用，這導致ImageNet競賽的參賽模型都非常深。在追求網絡深度的時候，出現了一個新的問題: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，使得數十層的網絡在反向傳播的隨機梯度下降上能夠收斂。當深層網絡能夠收斂時，一個退化問題又出現了，ResNet網絡通過深度殘差框架解決了這個退化問題。ResNet模型的出現是CNN史上一個里程碑事件，ResNet可以訓練出更深的CNN模型，從而實現更高的準確度。變化主要體現在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。為了保持網絡層的復雜度，ResNet采用了一個重要的設計原則:當特征圖的大小降低一半時，特征圖的數量將會增加一倍。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)，這有助于訓練過程中梯度的反向傳播，從而訓練出更深的CNN網絡。

　　2.2M-ResNet網絡

　　盡管ResNet模型使用了“短路連接”來實現特征重用(featurereuse)，但是由于短連接的數量比較少，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建網絡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網絡的細胞分類新方法M-ResNet，下面將詳細介紹改進細節(jié)。M-ResNet整體結構圖和ResNet50基本一樣，整體結構由5部分構成，分別是:conv1，conv2_x，conv3_x，conv4_x，conv5_x。每部分由指定個數的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實驗及結果分析

　　本文通過分析深度學習的理論，結合卷積神經網絡的算法特點，對基于深度卷積神經網絡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，分別是數據集預處理、網絡訓練和結果分析。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數據集

　　本文采用的數據集是來自海萊烏科技大學(HerlevUniversityHospital，HUH)和丹麥科技大學(TechnicalUniversityofDenmark，TUD)搜集的Herlev巴氏涂片新版數據集。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

　　每類細胞選用50張樣本進行測試，正確率、召回率和F值是評價網絡優(yōu)劣的重要指標。其定義分別為正確率=正確識別的個體總數識別出的個體總數，(8)召回率=正確識別的個體總數測試集中存在的個體總數，(9)F值=正確率×召回率×2正確率+召回率，(10)其中，識別出的個體總數即為識別出的正確細胞個數加上識別出的判斷錯誤的細胞個數;測試集中存在的個體總數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類別的比例;F值是綜合前兩者的評估指標，用于綜合反映整體的指標。

　　3.3網絡訓練

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

　　3.4結果分析

　　完成數據集預處理、訓練和測試工作后，本文對所得到的圖像數據進行了統(tǒng)一處理，并對基于深度卷積神經網絡的細胞分類新方法M-ResNet的應用結果進行了分析。并標注該細胞屬于哪種宮頸細胞類型及細胞屬于所標類型的概率。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結論

　　宮頸細胞分類對醫(yī)學診斷和醫(yī)學圖像處理有著重要的意義。針對現有的細胞分類方法中存在的效率低、正確率偏低等問題，本文以深度學習理論為基礎，研究了一種基于深度卷積神經網絡的細胞分類新方法M-ResNet，并采用Herlev數據集對該方法進行了測試。測試結果表明: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。

　　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。卷積神經網絡在圖像識別上的應用的研究[D]。杭州:浙江大學，2012。

　　圖像識別論文范文：試論圖像處理技術特征及其在網頁制作中的作用

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