یک چارچوب مبتنی بر یادگیری برای تقسیم بندی دقیق سیتوپلاسم گردن و مغز

در این مقاله، یک روش تقسیم بندی مبتنی بر شبکه عصبی سوپرپیکسل و حلزونی (CNN) برای تقسیم سلول های سرطانی دهانه رحم ارائه شده است. از آنجا که پیش زمینه و تقابل سیتوپلاسم نسبتاً واضح نیست، تقسیم بندی سیتوپلاسم در ابتدا انجام می شود. یادگیری عمیق مبتنی بر CNN برای کشف ناحیه مورد نظر است. تقسیم هسته درشت و ریز برای تقسیم سلول های سرطانی سرویکس و پالایش بیشتر نیز توسعه یافته است. نتایج تجربی نشان می‌دهد که دقت ۹۴.۵۰% برای تشخیص منطقه هسته‌ای و دقت ۰.۹۱۴۳±۰.۰۲۰۲ و ۰.۸۷۲۶±۰.۰۰۰۸ برای تقسیم‌بندی سلول هسته به دست آمده‌است. علاوه بر این، تجزیه و تحلیل مقایسه‌ای ما نشان می‌دهد که روش پیشنهادی بهتر از روش‌های مربوطه عمل می‌کند.

In this paper, a superpixel and convolution neural network (CNN) based segmentation method is proposed for cervical cancer cell segmentation. Since the background and cytoplasm contrast is not relatively obvious, cytoplasm segmentation is first performed. Deep learning based on CNN is explored for region of interest detection. A coarse-to-fine nucleus segmentation for cervical cancer cell segmentation and further refinement is also developed. Experimental results show that an accuracy of 94.50% is achieved for nucleus region detection and a precision of 0.9143±۰.۰۲۰۲ and a recall of 0.8726±۰.۰۰۰۸ are achieved for nucleus cell segmentation. Furthermore, our comparative analysis also shows that the proposed method outperforms the related methods.