劉 美，周 龍

（武漢輕工大學(xué)電氣與電子工程學(xué)院，武漢 430023）

0 引言

宮頸癌是影響婦女健康的重大疾病，在中國(guó)，宮頸癌是導(dǎo)致女性死亡的第二大殺手，2020 年我國(guó)新發(fā)宮頸癌數(shù)量達(dá)到了11 萬(wàn)，占全球總量的18%［1］。然而，宮頸癌是一種早期可以發(fā)現(xiàn)的腫瘤，開(kāi)展人群篩查是促進(jìn)宮頸癌早診早治的有效措施。宮頸癌篩查，包括婦科檢查、宮頸癌初篩、陰道鏡檢查、病理組織學(xué)檢查等流程，其中宮頸細(xì)胞學(xué)檢查是早期發(fā)現(xiàn)宮頸癌最簡(jiǎn)單、有效、方便的方式，且其準(zhǔn)確性較高，適用于宮頸癌的早期診斷、普查和預(yù)防［2］。宮頸細(xì)胞學(xué)診斷是基于細(xì)胞形態(tài)學(xué)對(duì)宮頸細(xì)胞進(jìn)行分類和統(tǒng)計(jì)，是臨床上對(duì)宮頸癌診斷的依據(jù)，醫(yī)學(xué)界稱之為巴氏涂片檢查。

傳統(tǒng)的巴氏涂片閱片方法是由病理醫(yī)師人工閱片，這種方法不僅效率低下，而且受限于病理醫(yī)生的主觀性和專業(yè)性，時(shí)不時(shí)會(huì)發(fā)生誤判和漏判。人工閱片的方法一方面需要消耗大量的人力物力，另一方面準(zhǔn)確率得不到保證，這就導(dǎo)致了我國(guó)基層宮頸癌篩查工作進(jìn)展緩慢，篩查質(zhì)量不高，因此應(yīng)用計(jì)算機(jī)輔助宮頸癌篩查是非常有必要的。

過(guò)去，計(jì)算機(jī)輔助系統(tǒng)中的宮頸細(xì)胞分類任務(wù)都是根據(jù)細(xì)胞核和細(xì)胞質(zhì)的形態(tài)學(xué)特征來(lái)分類。而這些特征的選取是依靠人工來(lái)篩選的，不同的方法篩選的特征不同。Marinakis 等［3］使用了基于遺傳算法的特征選擇和最近鄰分類來(lái)進(jìn)行巴氏涂片診斷； Kumar 等［4］設(shè)計(jì)了一個(gè)基于生物學(xué)可解釋特征的框架來(lái)分類癌癥；William 等［5］設(shè)計(jì)了一個(gè)模糊C 均值算法的宮頸癌輔助診斷工具。然而，這些手工設(shè)計(jì)的特征都有一些缺點(diǎn)，因?yàn)樗鼈兓蚨嗷蛏贂?huì)受到特征或分類器選擇過(guò)程的影響。

人工智能（AI）技術(shù)正在改變當(dāng)今的醫(yī)療實(shí)踐現(xiàn)狀。人工智能可以應(yīng)用在各種各樣的任務(wù)中，George 等［6］將深度學(xué)習(xí)用于乳腺癌診斷；B?hland 等［7］用機(jī)器學(xué)習(xí)對(duì)甲狀腺癌進(jìn)行自動(dòng)分類； Song 等［8］對(duì)骨髓組織學(xué)的圖像進(jìn)行檢測(cè)和分類，許多人工智能應(yīng)用已經(jīng)達(dá)到了專家級(jí)的診斷準(zhǔn)確度。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）已被證明對(duì)醫(yī)學(xué)圖像分析處理中人工智能的成功具有重要意義。在宮頸細(xì)胞分類領(lǐng)域，近年來(lái)基于深度學(xué)習(xí)和CNN 的研究取得了很大進(jìn)展。研究人員發(fā)現(xiàn)，CNN 可以作為特征提取工具，自動(dòng)提取深層特征，對(duì)宮頸細(xì)胞進(jìn)行分類。Zhang 等［9］將深度學(xué)習(xí)應(yīng)用在宮頸細(xì)胞圖片分類中，使用CNN 模型自動(dòng)提取宮頸細(xì)胞的深層特征，且無(wú)需事先分割；Plissiti 等［10］從細(xì)胞特征、圖片特征、深層特征三個(gè)方面出發(fā)探討了CNN 在輔助計(jì)算機(jī)檢測(cè)方面的可行性，并且提出了全新的宮頸細(xì)胞數(shù)據(jù)庫(kù)。在基礎(chǔ)上，Shanthi 等［11］用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了預(yù)測(cè)模型，對(duì)宮頸癌進(jìn)行不同等級(jí)的分類；Shi 等［12］用圖神經(jīng)網(wǎng)絡(luò)對(duì)宮頸細(xì)胞進(jìn)行分割和分類，深刻地探索了各類宮頸細(xì)胞圖像之間的潛在關(guān)系，進(jìn)一步提高了分類性能。雖然上述方法在一定程度上提升了準(zhǔn)確率，但在宮頸癌診斷上，特異性和召回率還存在不足，用于醫(yī)療輔助診斷還需要進(jìn)一步提高指標(biāo)。

為了進(jìn)一步提高宮頸細(xì)胞診斷的準(zhǔn)確率和特異性，本文提出了基于遷移學(xué)習(xí)和標(biāo)簽平滑正則化損失函數(shù)的TLS-Net50 算法，在特征提取階段使用預(yù)訓(xùn)練參數(shù)，使網(wǎng)絡(luò)能更好地學(xué)習(xí)到細(xì)胞特征，同時(shí)改進(jìn)了交叉熵?fù)p失函數(shù)，使模型具有更好的泛化性和魯棒性。

1 基于遷移學(xué)習(xí)和標(biāo)簽平滑策略的算法分析

TLS-Net50 總體框架如圖1 所示，首先對(duì)輸入的宮頸細(xì)胞圖像進(jìn)行預(yù)處理。預(yù)處理包括對(duì)圖像的裁剪縮放。之后輸入到模型中進(jìn)行特征提取，特征提取基于ResNet50 框架，其中卷積層的參數(shù)是通過(guò)遷移學(xué)習(xí)得到的，用卷積層提取圖像的深層特征。全連接層的參數(shù)則由SIPaKMeD 數(shù)據(jù)集進(jìn)行訓(xùn)練得到。在此基礎(chǔ)之上將原來(lái)的交叉熵?fù)p失函數(shù)進(jìn)行改變，在原來(lái)函數(shù)的基礎(chǔ)上加上一點(diǎn)噪聲，最后經(jīng)過(guò)softmax 函數(shù)進(jìn)行輸出，得到模型的預(yù)測(cè)結(jié)果。

圖1 TLS-Net50模型總體框架

1.1 遷移學(xué)習(xí)

遷移學(xué)習(xí)是指在其他大規(guī)模圖像數(shù)據(jù)集上預(yù)訓(xùn)練的深度學(xué)習(xí)模型的微調(diào)。深度學(xué)習(xí)需要大量有標(biāo)注的數(shù)據(jù)，然而現(xiàn)實(shí)條件下無(wú)法獲得大量已標(biāo)注的數(shù)據(jù)，因此考慮通過(guò)遷移學(xué)習(xí)的方法，將已有的知識(shí)遷移到目標(biāo)領(lǐng)域中，解決僅有少量已標(biāo)注樣本的學(xué)習(xí)問(wèn)題。ImageNet 是廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)領(lǐng)域的大型數(shù)據(jù)庫(kù)，其中包含了100 萬(wàn)幅圖，共1000 個(gè)類別。因此，在ImageNet 數(shù)據(jù)庫(kù)預(yù)訓(xùn)練過(guò)的ResNet50 模型具有提取宮頸細(xì)胞深度特征的能力，尤其是卷積層具有充分的學(xué)習(xí)圖片邊緣和輪廓特征的能力。

經(jīng)過(guò)預(yù)處理后，我們用在ImageNet 數(shù)據(jù)庫(kù)上預(yù)訓(xùn)練過(guò)的ResNet50 的前幾個(gè)卷積層和池化層用作網(wǎng)絡(luò)的初始參數(shù)，在此基礎(chǔ)之上對(duì)全連接層進(jìn)行隨機(jī)權(quán)重初始化。利用Sipakmed 數(shù)據(jù)集對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，就可以獲得融合了遷移學(xué)習(xí)的ResNet50模型。遷移學(xué)習(xí)的過(guò)程如圖2所示。

圖2 遷移學(xué)習(xí)

1.2 標(biāo)簽平滑

標(biāo)簽平滑是一種防止模型過(guò)擬合的正則化手段，在訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)模型時(shí)使用標(biāo)簽平滑的方法是很有效的［14］。標(biāo)簽平滑可以應(yīng)用在很多任務(wù)中，例如圖像分類、圖片分割、機(jī)器翻譯和語(yǔ)音識(shí)別，使用該方法可以提高深度學(xué)習(xí)模型的泛化性能和魯棒性。

在分類問(wèn)題中，常用one-hot（獨(dú)熱分布）對(duì)向量進(jìn)行編碼，編碼的標(biāo)簽向量yi為：

其中正確的類概率是1，不正確的類概率是0。在訓(xùn)練時(shí)，模型最小化損失函數(shù)H(y,p)：

其中，pi由模型前一個(gè)全連接層輸出的logits 向量z應(yīng)用Softmax函數(shù)得到：

在正常的獨(dú)熱向量編碼標(biāo)簽網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中，鼓勵(lì)模型估計(jì)目標(biāo)類別的概率接近1，非目標(biāo)類接近0。但是，如果訓(xùn)練數(shù)據(jù)不足以覆蓋所有情況，這不僅會(huì)導(dǎo)致網(wǎng)絡(luò)的過(guò)擬合還會(huì)降低模型的泛化能力，導(dǎo)致模型在預(yù)測(cè)集上表現(xiàn)不好。在數(shù)據(jù)集較少的情況下，使用交叉熵?fù)p失函數(shù)作為目標(biāo)函數(shù)不一定是最優(yōu)的。

因此考慮通過(guò)標(biāo)簽平滑正則化（Label Smooth Regularization，LSR）來(lái)優(yōu)化模型，LSR是通過(guò)在輸出y添加噪聲，實(shí)現(xiàn)對(duì)模型的預(yù)測(cè)概率的約束，降低模型過(guò)擬合程度的一種約束方法。運(yùn)用了標(biāo)簽平滑正則化策略后，我們用更新的標(biāo)簽向量來(lái)替換獨(dú)熱編碼的標(biāo)簽向量yhot：

其中K為多分類的類別總個(gè)數(shù)，ε一般是一個(gè)較小的超參數(shù)（一般取0.1），即：

帶有標(biāo)簽平滑的交叉熵?fù)p失函數(shù)轉(zhuǎn)化為下面的公式：

這樣，標(biāo)簽平滑后的分布就相當(dāng)于往真實(shí)分布中加入了噪聲ε，避免模型對(duì)于正確標(biāo)簽過(guò)于“自信”，減少正確目標(biāo)和錯(cuò)誤目標(biāo)的概率的差距，從而避免過(guò)擬合，提高模型的泛化能力。

標(biāo)簽平滑一般用在以下三個(gè)場(chǎng)景中：

（1）數(shù)據(jù)集比較大，且圖片中包含噪音，加入標(biāo)簽平滑之后可以避免模型錯(cuò)誤地學(xué)習(xí)到圖片中的噪音。

（2）分類任務(wù)中不同種類圖片具有很高的相似度，比如宮頸細(xì)胞圖片分類中，有些圖片又像空泡細(xì)胞又像化生細(xì)胞，利用此策略可以給兩類都提供監(jiān)督效果。

（3）在模型比較小時(shí)，為了避免模型被訓(xùn)練得太自信，這會(huì)導(dǎo)致過(guò)擬合，我們希望提高模型學(xué)習(xí)的難度，也會(huì)引入標(biāo)簽平滑。

本課題研究的情況符合標(biāo)簽平滑的使用場(chǎng)景，因此考慮引入標(biāo)簽平滑策略。

1.3 TLS-Net50總體框架

宮頸細(xì)胞識(shí)別模型框架主要利用遷移學(xué)習(xí)將ResNet50 經(jīng)過(guò)預(yù)訓(xùn)練的參數(shù)遷移到卷積層、池化層，然后將原來(lái)1000 分類的softmax 函數(shù)改成所需要的目標(biāo)分類函數(shù)（在此文中即五分類）。宮頸細(xì)胞識(shí)別模型的訓(xùn)練和測(cè)試流程如下：

（1）輸入樣本。從宮頸細(xì)胞數(shù)據(jù)庫(kù)中每種細(xì)胞圖片按9∶1 比例抽取訓(xùn)練集和驗(yàn)證集，將訓(xùn)練集樣本作為模型訓(xùn)練輸入。

（2）對(duì)輸入圖片進(jìn)行預(yù)處理。為了保證所有圖片輸入大小相同并且去除圖片中可能存在的噪音，對(duì)輸入的圖像統(tǒng)一進(jìn)行縮放和裁剪操作。在訓(xùn)練階段，將單個(gè)細(xì)胞圖像裁剪為224像素×224 像素大小，并且進(jìn)行歸一化處理，使特征圖像趨近于正態(tài)分布，加快模型的收斂和訓(xùn)練。

（3）構(gòu)建TLS-Net50 宮頸細(xì)胞識(shí)別模型?；赗esNet50［13］模型，優(yōu)化全連接層，將原來(lái)的分類器換成五分類輸出的分類器，這樣不僅可以減少模型學(xué)習(xí)和訓(xùn)練的參數(shù)，還可以提升模型的識(shí)別效率。

（4）微調(diào)卷積層的參數(shù)。用Resnet50 經(jīng)過(guò)ImageNet 數(shù)據(jù)集預(yù)訓(xùn)練得到的參數(shù)通過(guò)遷移學(xué)習(xí)方式優(yōu)化TLS-Net50 模型參數(shù)，主要是確定卷積層的權(quán)重、偏置等參數(shù)。

（5）訓(xùn)練模型。隨機(jī)初始化模型參數(shù)，設(shè)定優(yōu)化器的學(xué)習(xí)率和訓(xùn)練輪數(shù)，通過(guò)損失函數(shù)的反向傳播，凍結(jié)卷積層的參數(shù)，訓(xùn)練全連接層的權(quán)重。

（6）加入標(biāo)簽平滑策略進(jìn)行訓(xùn)練。通過(guò)對(duì)損失函數(shù)進(jìn)行改正，使模型具有更好的泛化性，避免了模型的過(guò)擬合。

（7）模型測(cè)試。抽取訓(xùn)練集的圖片，作為測(cè)試樣本進(jìn)行模型測(cè)試，以驗(yàn)證模型的精度。

ResNet50 預(yù)訓(xùn)練模型的權(quán)重參數(shù)數(shù)量為25.5 M，計(jì)算量為4.1 G，其中全連接層參數(shù)集中度較高，ResNet50 的預(yù)訓(xùn)練參數(shù)是為1000 分類而設(shè)計(jì)的，而本模型只針對(duì)五個(gè)不同的類。因此本文將原來(lái)的全連接層改成五分類的輸出，這樣雖然稍微增加了模型的計(jì)算量，但是減少了模型的參數(shù)，還提高了模型的效率和精度。改進(jìn)后的模型參數(shù)（params）與原來(lái)的模型參數(shù)和計(jì)算量（FLOPS）對(duì)比結(jié)果如表1所示。

表1 模型參數(shù)和計(jì)算量對(duì)比

TLS-Net50 模型的各層參數(shù)大體上與ResNet50一致。表2給出了模型每層的名稱，每層的輸入和輸出特征圖大小，以及每層的層結(jié)構(gòu)。可以看到本模型的一個(gè)標(biāo)志性特點(diǎn)就是特征圖的通道增加一倍時(shí)，特征圖的寬高會(huì)縮小一倍，這是為了保證在堆疊網(wǎng)絡(luò)的過(guò)程中，網(wǎng)絡(luò)不會(huì)因?yàn)槔^續(xù)堆疊而產(chǎn)生退化。

表2 TLS-Net50模型各層設(shè)計(jì)

2 在宮頸細(xì)胞數(shù)據(jù)集上的實(shí)驗(yàn)與分析

2.1 數(shù)據(jù)集的獲取

本實(shí)驗(yàn)所用的宮頸細(xì)胞數(shù)據(jù)集是來(lái)自希臘約阿尼納大學(xué)在2018 年發(fā)表的公開(kāi)數(shù)據(jù)集SIPaKMeD［10］，該數(shù)據(jù)集包含了五種宮頸細(xì)胞，共4049 張從966 個(gè)Pap 涂片的細(xì)胞簇圖像中手工切分的孤立細(xì)胞圖像，每類細(xì)胞的示例如圖3 所示。

圖3 SIPaKMeD中的五種宮頸細(xì)胞圖像

可以看出五類宮頸細(xì)胞圖像形態(tài)各異，且它們?cè)诔墒?、衰老、癌變的過(guò)程中，其形態(tài)、大小都在發(fā)生著變化，因此可以根據(jù)每種細(xì)胞特異性的形態(tài)學(xué)特征進(jìn)行辨別。

該數(shù)據(jù)集包含4049 張孤立細(xì)胞圖像，其中有831 張淺中層細(xì)胞，787 張副基底層細(xì)胞，825 張空泡細(xì)胞，813 張角化不良細(xì)胞，793 張化生細(xì)胞。表3所示為五類細(xì)胞的訓(xùn)練集、驗(yàn)證集分布。

表3 SIPaKMeD宮頸細(xì)胞數(shù)據(jù)集

2.2 實(shí)驗(yàn)環(huán)境及評(píng)價(jià)指標(biāo)

2.2.1 實(shí)驗(yàn)環(huán)境

本文所有實(shí)驗(yàn)結(jié)果均在同一實(shí)驗(yàn)環(huán)境下得出。實(shí)驗(yàn)環(huán)境如下：采用Intel（R）Core（TM）i5-6300HQ CPU @ 2.30GH 處理器，NVIDIA Ge-Force GTX 960M 顯卡，windows10 操作系統(tǒng)，PyTorch=1.7.0+cu110 深度學(xué)習(xí)框架。編程語(yǔ)言為python3.6，相關(guān)程序依賴包有：numpy、skimage、matplotlib、tqdm 等，模型均訓(xùn)練30輪，采用Adam優(yōu)化器，學(xué)習(xí)率為0.0001。

2.2.2 評(píng)價(jià)指標(biāo)

以混淆矩陣為依據(jù)選取評(píng)價(jià)指標(biāo)，混淆矩陣可以理解為下面一張表格，如表4所示，表中有四個(gè)基礎(chǔ)指標(biāo)，分別是TP、TN、FP、FN，這四個(gè)指標(biāo)是評(píng)價(jià)模型的一級(jí)指標(biāo)。

表4 混淆矩陣

在分類任務(wù)中一般用ACC（準(zhǔn)確率）、Precison（查準(zhǔn)率）、Recall（查全率）、Specificity（特異度）、F1（綜合評(píng)價(jià)指標(biāo)）來(lái)評(píng)價(jià)模型。查準(zhǔn)率和查全率是一對(duì)矛盾的度量，一般來(lái)說(shuō)，查準(zhǔn)率高時(shí)，查全率往往偏低；而查全率高時(shí)，查準(zhǔn)率往往偏低。而F1 就是綜合了查準(zhǔn)率與查全率的加權(quán)調(diào)和平均值，F(xiàn)1 越高說(shuō)明模型查準(zhǔn)率查全率越好。計(jì)算公式如表5所示。

表5 評(píng)估指標(biāo)標(biāo)準(zhǔn)公式

2.3 實(shí)驗(yàn)過(guò)程及分析

為了證明本文算法的有效性，本文基于ResNet50 模型在測(cè)試集上做了相關(guān)的消融實(shí)驗(yàn)，如表6 所示。下面的算法均以ResNet50 為基礎(chǔ)，評(píng)價(jià)指標(biāo)為上文所提到的五類指標(biāo)，其中TL 代表遷移學(xué)習(xí)（Transfer Learning），LS 代表標(biāo)簽平滑（Label Smooth）。可以看到，N2 模型在N1 的基礎(chǔ)上F1 值提升了4.6%左右；N3 相比N1，其準(zhǔn)確率、查準(zhǔn)率、查全率、特異度、綜合評(píng)價(jià)指標(biāo)均有大幅度提升，查準(zhǔn)率提升了8%，查全率提升了8.7%，F(xiàn)1 提升了8.5%。NA 為本文的TLS-Net50 算法，對(duì)比N3 又提高了1.8%、0.4%、0.5%、0.2%和0.6%。

表6 消融實(shí)驗(yàn)結(jié)果

通過(guò)消融實(shí)驗(yàn)可以知道，融合遷移學(xué)習(xí)和標(biāo)簽平滑策略可以在單獨(dú)使用的基礎(chǔ)上進(jìn)一步提升模型效果。因此可以看出，遷移學(xué)習(xí)和標(biāo)簽平滑策略是非常有用的。這也驗(yàn)證了本文算法在宮頸細(xì)胞識(shí)別領(lǐng)域的有效性。

為了進(jìn)一步分析不同模型對(duì)每一類宮頸細(xì)胞的識(shí)別結(jié)果，圖4 給出了N1、N2、N3、N4的混淆矩陣，混淆矩陣對(duì)角線代表著每類細(xì)胞被正確識(shí)別的數(shù)量?？梢钥吹皆谒膫€(gè)模型中，副基底層細(xì)胞最好辨認(rèn)，空泡細(xì)胞最難分類正確，且它和化生細(xì)胞有互被錯(cuò)分類的現(xiàn)象，化生細(xì)胞有一定的概率被錯(cuò)認(rèn)為淺中層細(xì)胞，角化不良細(xì)胞有時(shí)候被認(rèn)為是空泡細(xì)胞，淺中層細(xì)胞則有時(shí)被認(rèn)為是角化不良細(xì)胞。

圖4 N1、N2、N3、N4模型混淆矩陣

表7 是N4 模型在測(cè)試集上的表現(xiàn)，對(duì)于五類不同的細(xì)胞，TLS-Net50 平均準(zhǔn)確率、查準(zhǔn)率、查全率、特異度、綜合評(píng)價(jià)指標(biāo)分別達(dá)到了98.0%、95.2%、95.0%、98.8 和95.1%，副基底層細(xì)胞和淺中層細(xì)胞被完全分類正確，而空泡細(xì)胞和化生細(xì)胞的準(zhǔn)確率稍低，說(shuō)明這兩類細(xì)胞具有較高的相似度，區(qū)分較為困難。

表7 測(cè)試集評(píng)估指標(biāo)

為了進(jìn)一步說(shuō)明本文算法對(duì)宮頸細(xì)胞分類的有效性，本文與其他的深度學(xué)習(xí)經(jīng)典算法進(jìn)行了對(duì)比，其中實(shí)驗(yàn)參數(shù)均設(shè)置一樣，實(shí)驗(yàn)結(jié)果如表8 所示。實(shí)驗(yàn)說(shuō)明了TLS-Net50 算法的良好性能，也說(shuō)明了TLS-Net50 在計(jì)算機(jī)輔助宮頸細(xì)胞檢測(cè)中的有效性。

表8 與其他算法的性能對(duì)比

2.4 特征圖可視化

為了更好地理解深度網(wǎng)絡(luò)，可以將特征圖進(jìn)行可視化。卷積核在訓(xùn)練的過(guò)程中沒(méi)有對(duì)圖像的空間結(jié)構(gòu)進(jìn)行改變，因此直接將特征圖像素的值映射到0～255的范圍，就可以變成圖像。

本文對(duì)TLS-Net50 模型的特征圖進(jìn)行可視化，結(jié)果如圖5 所示。圖5（a）是第一個(gè)卷積層的前12 張?zhí)卣鲌D，從圖片可以看到，每個(gè)卷積核學(xué)習(xí)到的內(nèi)容都不一樣。從不同層可視化出來(lái)的特征圖可以看出，模型前面幾層網(wǎng)絡(luò)可以提取到圖片紋理、細(xì)節(jié)特征，模型后面的深層網(wǎng)絡(luò)提取的是細(xì)胞的輪廓、形狀等特征。一般來(lái)說(shuō)，淺層網(wǎng)絡(luò)因?yàn)榫矸e的程度不高，可以學(xué)習(xí)到更多的特征，也包含有圖片的關(guān)鍵特征。例如第一組特征圖的第6張?zhí)卣鲌D，提取出的是細(xì)胞核邊緣。相對(duì)而言，層數(shù)越深，模型提取到的特征就越抽象。圖像的分辨率也會(huì)隨著卷積的操作而越變?cè)叫　?/p>

圖5 TLS-Net50模型特征圖可視化（續(xù)）

圖5 TLS-Net50模型特征圖可視化

這些經(jīng)過(guò)訓(xùn)練的卷積核包括各種頻率和方向的梯度以及不同的顏色斑點(diǎn)，這是宮頸細(xì)胞分類任務(wù)所必需的。除了卷積核之外，還提供了池化、激活函數(shù)的示例單元的特征圖，可以觀察到池化操作總結(jié)了先前的特征，并且特征變得越來(lái)越抽象。

由圖片所示的各層顯示結(jié)果可以知道，卷積神經(jīng)網(wǎng)絡(luò)能夠有效地提取細(xì)胞的特征，說(shuō)明本算法通過(guò)遷移學(xué)習(xí)和標(biāo)簽平滑正則化能夠降低背景干擾、增強(qiáng)目標(biāo)特征。

3 結(jié)語(yǔ)

針對(duì)計(jì)算機(jī)輔助診斷宮頸癌的需求，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞分類方法TLS-Net50。本文對(duì)ResNet50 模型進(jìn)行參數(shù)優(yōu)化和標(biāo)簽正則化，并通過(guò)實(shí)驗(yàn)驗(yàn)證，表明改進(jìn)后的模型可以自動(dòng)從圖像中學(xué)習(xí)到細(xì)胞特征，這樣就避免了常規(guī)方法中人工選取特征的不足。同時(shí)，TLS-Net50 模型相對(duì)于ResNet50平均準(zhǔn)確率、查準(zhǔn)率、查全率、特異性、F1 值依次提高了3.7%、8.4%、9.2%、2.3%和9.1%，可以滿足計(jì)算機(jī)輔助診斷宮頸癌的需求。

此外，本文所用模型可以準(zhǔn)確地識(shí)別宮頸細(xì)胞的類型，并且減少了模型的參數(shù)量，可以在計(jì)算性能一般的硬件上進(jìn)行應(yīng)用，有利于基層宮頸癌篩查工作的展開(kāi)。