关键词:
阴道镜图像
宫颈病变
高光反射
分类诊断
模型融合
摘要:
宫颈癌作为一种常见的妇科恶性疾病,对女性健康构成了严重威胁。相关的防治疫苗受限于高昂的价格无法广泛普及,因此针对女性人群开展常规性、阶段性的宫颈病变早期筛查对改善宫颈癌临床现状具有关键性意义。阴道镜以操作简单、相对无创的综合优势成为资源贫乏地区的主要筛查工具,在宫颈病变的早期筛查中发挥着重要作用。但是,作为一种依赖医师临床经验的形态学诊断技术,多种不可控因素使得阴道镜检查不仅易受高光反射区域的干扰,而且诊断结果主观性强、特异性低;大规模群体性检测时,人工筛查效率低,漏诊和误诊的概率增加。基于目前流行的深度学习技术,本文探索了面向宫颈病变分析的阴道镜图像处理方法。主要的研究内容如下:1.提出一种联合整体和局部信息的方法消除阴道镜图像中高光反射区域。针对检查过程中易受生殖道内光滑粘液影响,导致采集的阴道镜图像常常会伴有高光反射区域干扰诊断的问题,进行特定的阴道镜图像去高光处理。在有效去除高光反射干扰的基础上,利用样本块方法修复该区域的纹理信息和结构信息,最大化地增加图像的视觉可观性。该方法作为预处理操作,为基于阴道镜图像的后续宫颈病变分类研究奠定了基础。2.提出一种基于Vision Transformer和Dense Net161双模型交叉验证决策融合的宫颈病变分类方法。以临床诊断最为关键的醋酸图像为研究对象,高光反射区域消除处理后,融合两种相关性差异较大模型的特征信息,实现比以往二分类研究更加细化的四分类诊断任务。该方法在一定程度上提升了宫颈病变分类的准确率,Cancer类别的诊断指标达到90%以上,病变类别检出率更高,漏诊率更低,更有助于临床医师的多分类诊断。3.在上一阶段研究工作的基础上,针对单类图像特征学习不全面影响分类准确率的问题,提出了基于三视觉图像特征融合的宫颈病变分类方法。涂抹生理盐水、醋酸和碘溶液后采集的阴道镜图像作为数据集,进行高光消除预处理,之后以上一阶段性能表现良好的Dense Net161模型为基础,采用SE-Dense Net作为三视觉图像特征提取的网络,增强重要特征,抑制无用特征。该方法受到临床医师诊断过程的启发,对阴道镜图像中的宫颈病变特征综合学习,整体性能较上一阶段更优。综上,本文围绕面向宫颈病变分析的阴道镜图像处理方法和临床评估展开,从医学图像处理的相关原理入手,通过传统图像修复方法和深度学习技术,深入探索了基于阴道镜图像的宫颈病变四分类诊断,进一步辅助临床医师提高宫颈病变的筛查效能。