基于VGG-16的子宫颈癌变分级预测.pdf

第 39 卷 第 5 期2023 年 10 月天 津理工大学学报JOURNAL OF TIANJIN UNIVERSITY OF TECHNOLOGYVol.39 No.5Oct.2023收稿日期:2022-03-27;修订日期:2023-03-26基金项目:国家自然科学基金(61773286,62173247)DOI:10.3969/j.issn.1673-095X.2023.05.004基于 VGG-16 的子宫颈癌变分级预测张丽艳1,王娟2,夏承遗1(1.天津理工大学 计算机科学与工程学院,天津 300384;2.天津理工大学 电气工程与自动化学院,天津 300384)摘要:为突破传统人工阅片诊断的局限性,提高对宫颈癌变的筛查效率与准确率,提出一种利用改进后的视觉几何群网络(visual geometry group network,VGG-16)实现女性宫颈病变分级预测的方法,并对原始图像中女性宫颈部位进行感兴趣区域提取及病变位置的定位与分割。在宫颈病变二分类的研究中,通过多次对比试验后,最终测得宫颈病变分级预测的准确率高达 92.95%,与未经改进的方法相比,在时间复杂度与空间复杂度上都有明显的降低。试验表明:文中方法不仅能辅助放射科医生进行病变等级诊断,还可提高诊断的效率与准确率,在临床实践中具有重要意义。关键词:宫颈癌;宫颈病变定位;宫颈病变分割;病变分级预测;感兴趣区域;VGG-16 网络中图分类号:TP391 文献标识码:A 文章编号:1673-095X(2023)05-0021-08Prediction of cervical cancer classification based on VGG-16ZHANG Liyan1,WANG Juan2,XIA Chengyi1(1.School of Computer Science and Engineering,Tianjin University of Technology,Tianjin 300384,China;2.School of Electrical Engineering and Automation,Tianjin University of Technology,Tianjin 300384,China)Abstract:In order to break through the limitation of traditional manual diagnosis by using film reading and improve the efficiency and accuracy of cervical cancer screening,the improved visual geometry group network is proposed to perform the classification and prediction of female cervical lesions,extract interest regions of female cervix in the original image and locate and segment lesion positions.In the study of the two-classification of cervical lesions,the final accuracy rate of the cervical lesion classification prediction after multiple comparison experiments is raised up to 92.95%.Compared with unimproved methods,the time complexity and the space complexity are significantly reduced.The experimental results show that the proposed method is feasible and this method can not only assist radiologists in the diagnosis of lesion grades,but also improve the efficiency and accuracy of diagnoses.The research is of great significance in clinical practice.Key words:cervical cancer;cervical lesion location;cervical lesion segmentation;lesion grade prediction;region of interest;VGG-16 network 宫颈癌是最为常见的妇科恶性肿瘤之一1。根据相关资料,从宫颈病变发展到宫颈癌需要 10 15 年2,如能在宫颈病变时准确诊断患者的病情,将极大程度预防宫颈癌,或使癌变得到及时且恰当的治疗,从而提高患者的生命质量,延长患者的生存周期3。目前,传统人工阅片诊断的方式具有一定的局天津理工大学学报第 39 卷 第 5 期限性,易出现误诊、漏诊、效率低及成本高等问题。因此,计算机辅助诊断技术已成为一种趋势,其不仅能够有效降低放射科医生阅片的工作强度,减少误诊和漏诊的发生,还能提高诊断的准确率及效率,避免患者错失治疗的最佳时期。在前人的研究中,SATO 等4以术前阴道镜图像作为输入数据,利用 Keras 神经网络库5和 TensorFlow库6进行深度学习,实现了阴道镜图像的分类;LANGE 等7提出一个多层次的宫颈病变区域检测算法,采用一种新的区域选择算法从区域分割中提取出病变区域并进行检测;ELAYARAJA 等8采用面向局部直 方 图 技 术(oriented local histogram technique,OLHT)9和双树复小波变换(dual tree complex wavelet transform,DT-CWT)10对宫颈图像进行边缘增强,并得到多分辨率的图特征,然后,采用前馈-反向传播神经网络11对提取的特征进行训练和测试,对给定的宫颈图像进行正常和异常分类。但是,上述方法只是针对宫颈是否存在癌变进行预测,得到的预测结果并不足以证明所用方法在预测多类型病变时的有效性。文中利用改进后的 VGG-16 网络实现对女性宫颈病变的多种分级预测与诊断,同时,为提高 VGG-16网络训练的效率,对女性宫颈原始图像进行预处理,得到宫颈区域粗分割的结果,实现了宫颈病变区域的定位与分割。通过大量对比试验发现,与未改进的方法相比,文中提出的方法在病变分级预测的准确率上有明显提高。1 宫颈图像预处理 在临床检查中,对女性宫颈部位的病变检查主要是通过阴道镜实现的12。由于阴道镜检查过程中拍摄的宫颈图像存在过多外部干扰信息,如棉球及窥阴镜等医疗用具,因此,对女性宫颈图像进行预处理能有效减少外部信息对网络训练时的影响,提高神经网络训练的效率;同时,利用神经网络进行图像分类任务学习时,图像尺寸的大小也是影响网络训练效率的重要原因,对宫颈部位进行粗分割能缩减图像尺寸,减少网络训练时的计算量,提高宫颈病变分级预测的准确率。1.1 宫颈区域粗分割为突出女性宫颈部位在图像中所占比例,提高宫颈病变分级预测时网络的训练效率,文中提出一种实现女性宫颈区域粗分割的新方法。女性宫颈区域粗分割流程如图 1 所示。图 1 女性宫颈区域粗分割流程Fig.1 Flow chart of coarse segmentation of female cervix region观察 3 类(醋酸白试验的时序图像、绿镜试验图像及复方碘溶液试验图像)女性宫颈图像成像特点,图像大致由女性宫颈区域和其余外部信息组成。利用K-Means 聚类算法13-14对原始宫颈图像进行聚类,选择聚类参数 K 值为 2,即聚为两类。通过试验发现,聚类过程受图像像素大小的影响,得到部分聚类后的图像可能无法进行预处理。因此,为提高聚类后图像的可用性,在图像进行聚类前,加入图像黑边去除的算法,克服图像像素大小对聚类操作的影响。在聚类后,考虑图像中像素点的连通性,设计连通区域算法,判定出图像中最大的连通区域,并用红色矩形框进行标记,以实现在宫颈图像中对宫颈区域的粗分割。受聚类结果的影响,碘溶液试验图像中对宫颈部位的聚类效果最为明显,而醋酸白试验的部分时序图像与绿镜试验部分图像中的某些像素点未连通,无法判断其图像的连通区域。因此,采用形态学中的膨胀操作15对聚类后醋酸白和绿镜试验的图像进行处理,其目的是:(1)扩大宫颈区域连通域占比,使其能够作为进行图像连通性判断的基础;(2)聚类后图像连通区域进一步扩张,使宫颈区域22 2023 年 10 月张丽艳,等:基于 VGG-16 的子宫颈癌变分级预测得以连通。将 3 类宫颈图像中的最大连通区域按照标记的矩形框进行裁剪,得到女性宫颈区域粗分割后的图像。女性宫颈区域粗分割可视化结果如图 2 所示。注:第 1 列和第 2 列为经醋酸白试验后的宫颈图像;第 3 列为经绿镜试验后宫颈图像;第 4 列为经复方碘溶液试验后宫颈图像。图 2 女性宫颈区域粗分割可视化结果图Fig.2 Visualized results of coarse segmentation of female cervix region1.2 宫颈病变定位与分割为辅助放射科医生对宫颈病变做出更加准确的诊断,文中提出一种基于宫颈图像颜色及纹理信息的新算法,以实现对女性宫颈病变区域的定位与分割。输入:粗分割后的女性原始宫颈图像,img输出:女性宫颈病变区域定位分割后图像1:读取 img,并将其转换为 HSV 模式,hsv2:根据宫颈图像病变区域的颜色信息设置颜色阈值:w_red=np.array(0,150,0),h_red=np.array(180,255,255)3:if hsv in range(w_red,h_red)then4:构建图像掩膜,mask5:end if6:进行位运算,求 img 与 mask 的重合部分,实现宫颈区域的定位及分割7:return 宫颈病变区域分割结果图宫颈病变区域分割可视化的结果如图 3 所示,分割结果可作为疑似宫颈病变区域的预判,辅助医生提供初步重点关注的区域,进而提高放射科医生阅片诊断的效率,避免误诊与漏诊的发生,使患者得到及时有效地治疗。注:第 1 列图像中实线标记区域为女性宫颈病变区域,第 2 列图像分别为利用设计的分割算法预测得到的宫颈病变区域。图 3 女性宫颈病变区域分割可视化结果Fig.3 Visualized results of segmentation of female cervical lesions2 基于 VGG-16 的病变分级预测方法2.1 改进的 VGG-16 网络经典的 VGG-16 网络共包含 16 个隐藏层,由 13个卷积层和 3 个全连接层构成。其网络结构较简单,整个网络都采用同样大小的卷积核尺寸(33)和最大池化核尺寸(22)。相比其他网络,VGG-16 的网络层数深,卷积核及池化核的尺寸小,而且在神经网络中,卷积核专注于对特征地提取,池化核专注于缩小特征图的宽和高,这使 VGG-16 网络模型在架构上达到更深及更广的同时,计算量的增加也得以放缓,使网络在获得更大感受野的同时降低网络参数。同时,多次采用 ReLu 激活函数拥有更多的线性变换,对于图像特征的学习能力更强。但由于网络层数深,卷积核及全连接层的权重参数相对来说较多,调参的难度大;从时间复杂度的角度会导致网络训练的时间较长,难以快速达到收敛;从空间复杂度上看,网络训练后的权重文件需要的存储空间更大。因此,文中加入批归一化(batch normalization,BN)层,目的是为加快网络训练和收敛的速度,控制梯度爆炸并防止梯度消失,增强网络对特征的学习能力,使网络能学习到更多隐含的特征。为降低调参的难度,减少网32天津理工大学学报第 39 卷 第 5 期络中参数的数量并降低存储空间,将原本 VGG-16 网络中的全连接层替换为全局平均池化层(global average pooling,GAP)。由全连接层替换为 GAP 层的结构如图 4 所示。图 4 全连接层替换为 GAP 层的结构Fig.4 Structure diagram of replacing the fully connected layer with the GAP layer2.2 全局平均池化层效能评估不同于全连接层需要训练大量的参数,全局平均池化层将卷积后的特征图通过采用平均池化层的方式进行降维,同时保留各卷积层和池化层提取到的特征信息,在网络性能上的提升也较为明显。文中设计了两个子试验,分别对全连接层与全局平均池化层的效能进行对比。全连接层与全局平均池化层效能评估对比如表 1 所示。表 1 全连接层与全局平均池化层效能评估对比表Tab.1 Comparison table of performance evaluation between fully connected layer and global average pooling layer降维方法总参数量训练参数量生成模型大小/MB二分类准确率/%Flatten 操作134 276 932134 276932102485.89全局平均池化14 718 78614 717 25011292.95 文中试验的降维方法分别采用 Flatten 操作和全局平均池化。采用全连接层中的 Flatten 操作时,网络所需训练的数据量为 134 276 932,而选用全局平均池化层训练的数据量为 14 717 250。从网络所需训练的数据量上可看出:采用全局平均池化层的情况下,训练的模型参数缩小了近 10 倍,训练后得到的模型权重文件所占存储空间也同样缩小了近 10 倍;同时,在二分类的准确率上,全局平均池化层的性能要明显高于全连接层中 Flatten 操作的性能。试验表明:采用全局平均池化层替代全连接层能有效减少训练数据量,避免数据过多产生的过拟合影响,使网络更加健壮。3 试验与结果分析3.1 数据集描述试验中所用宫颈图像数据中,正常病例 145 例,CIN1(轻度非典型增生)病例 133 例,CIN2/3(中度非典型增生)病例 146 例,宫颈癌症病例 53 例。该数据集共 3 339 幅图像,均已由临床经验丰富的专家进行了宫颈病变等级划分。每个病例包括 7 例宫颈图像,其中,5 例为醋酸白试验前后阴道镜每间隔一定时间连续拍摄的图像,1 例为绿镜试验后图像,1 例为复方碘溶液试验后图像。文中所用数据集的具体信息如表 2 所示。表 2 文中所用数据集的具体信息Tab.2 Specific information of the data set used in this study正常CIN1CIN2/3宫颈癌变病例数14513314653宫颈图像数/幅1 0159311 0223713.2 试验环境本研究中对宫颈图像的粗分割、宫颈病变定位及分割的实现环境具体配置为 Intel(R)Core(TM)i7-9700 CPU 3.00 GHz 且运行 64 位 Windows 操作系统的个人台式计算机上运行。对于实现宫颈病变分级预测的试验,在实验室的服务器上运行,该服务器运行 64 位 Windows 操作系统,硬件环境为 Intel Core i7-7820X 3.60GHZ CPU,4 块 NVIDIA GeForce RTX 2080 Ti 显卡和 64GB RAM。全部试验程序均是由 Python 语言编写。为训练得到具有更强泛化能力的网络模型,将图像数据按训练集、验证集和测试集以 6 2 2 的比例随机划分。训练时模型的优化器采用 Sigmoid,将样本数量设置为 32,为防止过拟合,设定学习率为 10-4。试验采用数据增强技术对数据集进行扩充,同时,引入 Dropout 层增强网络模型的鲁棒性。3.3 试验评价指标文中在对女性宫颈病变等级分级预测的试验中选择解决分类问题时常用的 8 个评价标准来检验试42 2023 年 10 月张丽艳,等:基于 VGG-16 的子宫颈癌变分级预测验方法的可行性。评价指标定义如下:准确率 Acc表示分类正确的样本数量与总样本数量的比例,可理解为由网络正确分类的女性宫颈病变数量和被正确分类的无宫颈病变数量的两者之和与整体样本数的比例:Acc=TP+TNTP+FP+TN+FN(1)式中:TP为正确分类的宫颈病变图像的数量;TN为正确分类的非宫颈病变图像的数量;FP为被错误分类为宫颈病变的非病变图像的数量;FN为被错误分类为非宫颈病变的病变图像的数量。一般来说,准确率越高,分类器的性能越好,但对于正负样本分布不均衡的情况,准确率就不能作为唯一的评价指标来评判模型性能的优劣。而精确率Pre是在分类试验中对每一类分类情况进行评价,又称为查准率,即正确预测为真的样本数量占全部预测为真的比例。在本研究中是指预测为宫颈病变的样本中真正是宫颈病变样本所占的百分比,可表示为:Pre=TPTP+FP(2)召回率 Rec又称为查全率,即正确预测为正样本的占全部实际为正样本的比例。本研究中可以理解为实际是宫颈病变的样本中,被预测为宫颈病变所占的百分比,其含义和灵敏度 Sen是一致的,可表示为:Rec=Sen=TPTP+FN(3)在实际情况中,精确率和召回率相互影响,相互制约,因此,为平衡这两个评价指标,选取 F1得分(F1-score)。F1得分为精确率与召回率两者的加权调和数:F1-score=2 P RP+R(4)式中:P 为精确率;R 为召回率。特异度 Spe表示正确判断为非病人的概率,即真阴性率。文中指正确分类为正常宫颈样本的数量占总体分类为正常宫颈样本数量的比例:Spe=TNTN+FP(5)漏诊率 表示实际存在病变,但依据分类筛选试验被分为无病变的概率,即假阴性率为:=FNTP+FN(6)误诊率 表示实际未发生病变,但依据分类筛选试验被分为存在病变的概率,即假阳性率为:=FPTN+FP(7)3.4 试验过程在利用提出的方法提取粗分割过的宫颈图像后,选用由牛津大学计算机视觉组和谷歌 DeepMind 公司共同研发的经典神经网络 VGG-1616-17对女性子宫颈病变进行分级预测。采用 VGG-16 网络进行宫颈图像的分类训练时,要求输入网络图像尺寸大小为 224224。采用提出的粗分割方法得到的宫颈图像是适配于每一幅原始宫颈图像所得到的结果,其图像结果的鲁棒性较好,但这种方法会导致得到的粗分割图像尺寸大小不一。因此,采用图像插值算法中的双线性插值算法18进行图像缩放。双线性插值法考虑到了待测采样点周围 4 个直接邻点对该采样点的相关性影响,使缩放后图像质量较高,克服了最近邻插值法19放大图像后灰度值不连续及缩小图像失真的缺点。为加快网络收敛速度,使网络更易收敛于最优解,对缩放后的宫颈图像进行最大最小值归一化20处理,将 图 像 数 据 的 原 始 像 素 值 线 性 化 变 换 到0,1 的范围,归一化计算式为:X=x-xminxmax-xmin(8)式中:xmax为图像中像素的最大值;xmin为图像中像素的最小值。将处 理 好 的 宫 颈 图 像 数 据 输 入 经 过 改 进 的VGG-16 网络中进行训练。在网络中加入随机函数,以打乱数据集,使网络梯度更新走向更加丰富,也能更好的在整个数据集上学习到最有用的隐含特征,避免网络在训练过程中产生不必要的偏见。依据临床经验丰富的医生标注的宫颈病变等级,进行了 3 种分类的宫颈病变分级预测试验。分别为宫颈病变二分类(正常类和病变类)试验、宫颈病变三分类(正常类、CIN1CIN2/3类及癌变类)试验及宫颈病变四分类(正常类、CIN1类、CIN2/3类及癌变类)试验。具体女性宫颈病变分级预测试验流程如图 5 所示。52天津理工大学学报第 39 卷 第 5 期图 5 女性宫颈病变分级预测试验流程图Fig.5 Experimental flowchart of the prediction of female cervical cancer grading3.5 宫颈病变分级预测的类别评估文中,依次进行了 3 种分类(二分类、三分类及四分类)的宫颈病变分级预测试验并选用精确率、召回率和F1得分3 种常见评价指标对3 个类别的试验进行评估。每种分类试验中对预测类别的评估对比表如表 3所示,每种分类试验的整体性能评估表如表4 所示。表 3 每种分类试验中对预测类别的评估对比表Tab.3 Comparison table of the evaluation of prediction categories in each classification experiment类别Pre/%Rec/%F1-Score/%二分类正常病变正常病变正常病变94.1891.5689.7995.6791.9393.57三分类正常CIN1CIN2/3癌变正常CIN1CIN2/3癌变正常CIN1CIN2/3癌变91.4978.9191.1989.0284.9584.2190.2481.8287.56四分类正常CIN1CIN2/3癌变正常CIN1CIN2/3癌变正常CIN1CIN2/3癌变90.9178.5779.9181.6183.7476.4783.4194.6787.1877.5181.6287.66表 4 每种分类试验的整体性能评估对比表Tab.4 Comparison table of overall performance evaluation for each classification experiment类别Acc/%Sen/%Spe/%/%/%二分类92.9595.6789.794.3310.21三分类86.7087.0186.3612.9913.64四分类82.8491.4568.278.5531.73 从表 3 和表 4 的结果可观察到:采用提出的粗分割方法及改进的 VGG-16 网络进行二分类试验得到的结果最好,改进后的 VGG-16 网络对宫颈病变的预测较好,敏感度较高,从一定程度上能有效及时地避免医生的漏诊。3.6 宫颈病变二分类的对比试验评估为验证所提出的粗分割方法与改进后的 VGG-16网络的性能,进行了针对宫颈病变二分类的对比试验。分别从准确率、敏感度、特异度、训练耗时及训练后得到的模型文件大小 5 个方面进行对比。对比试验评估表(以二分类为例)如表 5 所示。在临床医学领域中,受试者工作特征曲线(receiver operating characteristic curve,ROC)21也是对诊断方法和技术效能做出客观评价的一个重要指标。对比试验的ROC 曲线图(以二分类为例)如图 6 所示。由表 5可看出,试验 2 相较于试验 1 效能有所提高,网络训练后得到的模型文件所需要的存储空间更少,训练耗时也相对较短。当试验 3 与试验 1 相比较时,效能有所提高,但由于网络训练后得到的模型文件大小与网络需训练的数据量有关,因此,在未对 VGG-16网络改进的情况下,网络训练后得到的模型文件大小基本不变。而试验 4 与试验 1 进行对比时,不论是准确率、敏感度还是特异度都有明显提高,从时间复杂度上看,训练耗时也是最短的。由对比试验62 2023 年 10 月张丽艳,等:基于 VGG-16 的子宫颈癌变分级预测得到的 ROC 曲线图也能表明试验 4 方法的效能最好。而且一般来说,曲线与横轴所围成的面积越大,诊断准确率越高,方法效能越好。对比试验结果表明:对输入网络时的图像进行前期粗分割(预处理)的同时改进网络,能最大程度地提高网络对宫颈病变预测的准确率,提升网络性能,从而能有效辅助临床医生对患者做出及时地诊断,进而避免漏诊与误诊的发生。表 5 对比试验评估表(以二分类为例)Tab.5 Comparative experiment evaluation form(taking dichotomous as an example)试验Acc/%Sen/%Spe/%耗时/min训练后模型大小/MB(1)未处理图像+VGG-1681.9486.3071.921811 024(2)未处理图像+改进后 VGG-1688.9693.3678.82124112(3)粗分割后图像+VGG-1685.8989.1982.081281 024(4)粗分割后图像+改进后 VGG-1692.9595.6789.79119112图 6 对比试验的 ROC 曲线图(以二分类为例)Fig.6 ROC curve graph of comparative experiment(taking dichotomous as an example)4 结论 当今,对宫颈病变影像的研究大多采用深度学习训练相关网络模型的方法,但是,大多数研究只是针对宫颈是否存在癌变进行预测,得到的预测结果不足以证明所用方法在预测多类型病变时的有效性。文中提出采用改进后的 VGG-16 网络实现对女性宫颈病变的多级别预测与诊断方法。文中结合传统机器学习算法提出一种对女性子宫颈影像进行粗分割的方法,在完整地分割出原始影像中的子宫颈区域后,为进一步提取到宫颈病变区域,又采用宫颈影像中的颜色及纹理信息设计算法,实现了对子宫颈病变部位的定位与分割,该过程可为临床医生提供初步重点关注区域,提高诊断效率。在实现宫颈区域粗分割后,又对宫颈病变情况进行分级预测的研究,采用 VGG-16 网络对宫颈病变进行分级预测时,加入批归一化层并进行数据增强处理,这样能有效避免网络中易出现的过拟合问题,同时加快网络收敛速度。在此基础上,将 VGG-16 网络全连接层中的 Flatten 层替换为 GAP 能有效降低特征图的维度,在减少网络中数据量的同时,减少网络计算量,提高网络计算效率,进而提升对宫颈病变分级预测的准确率。同未经过任何改进的 VGG-16 网络相比,改进后的网络模型的预测效果有较明显的提升。综上所述,文中提出的方法经试验验证,在辅助放射科医生进行宫颈病变等级诊断时是可行的,该方法能有效提高临床医生诊断的效率与准确率,为临床医生提供更为准确的诊断依据,同时也能使患者得到及时、恰当的治疗,具有潜在的临床实践意义。参 考 文 献1张巧丽,赵地,迟学斌.基于深度学习的医学影像诊断综述 J.计算机科学,2017,44(11):11-17.2原新丽,吴祁生,张火兵,等.液基细胞学检查在不同年龄段女性子宫颈癌前病变筛查中的现状研究 J.标记免疫分析与临床,2020,27(1):27-31.3赵博,陈红.宫颈癌癌前病变及宫颈癌筛查方法研究展J.临床军医杂志,2020,48(8):983-985.4SATO M,HORIE K,HARA A,et al.Application of deep learning to the classification of images from colposcopy J.Oncology Letters,2018,15(3):3518-3523.5RAMPASEK L,GOLDENBERG A.TensorFlow:biologys gateway to deep learning J.Cell Systems,2016(1):12-14.6MEDVED D,NUGUES P,NILSSON J.Predicting the outcome for patients in a heart transplantation queue using deep learning C/Engineering in Medicine&Biology 72天津理工大学学报第 39 卷 第 5 期Society,New York:IEEE,2017:74-77.7LANGE H.Automatic detection of multi-level acetowhite regions in RGB color images of the uterine cervix J.The International Society for Optical Engineering,2005,5747:1004-1017.8ELAYARAJA P,SUGANTHI M.Automatic approach for cervical cancer detection and segmentation using neural network classifier J.Asian Pacific Journal of Cancer Prevention,2018,19(12):3571-3580.9SURHONE L M,TENNOE M T,HENSSONOW S F,et al.Histogram of oriented gradients J.Betascript Publishing,2016,12(4):1368-1371.10 SELESNICK I W,BARANIUK R G,KINGSBURY N C.The dual-tree complex wavelet transform J.IEEE Signal Processing Magazine,2005,22(6):123-151.11 CHE Z G,CHIANG T A,CHE Z H.Feed-forward neural networks training:a comparison between genetic algorithm and back-propagation learning algorithm J.International Journal of Innovative Computing Information and Control,2011(10):5839-5850.12 王晶,何冰,李兆民.阴道镜检查在宫颈癌及宫颈癌前病变筛查中的应用价值探讨 J.中国现代药物应用,2021,15(10):114-116.13 冯靖,莫秀良,王春东.基于 LDA 改进的 K-Means 算法在短文本聚类中的研究 J.天津理工大学学报,2018,34(3):7-11.14 吴其平,吴成茂.一种快速鲁棒核空间图形模糊聚类分割算法 J.智能系统学报,2019,14(4):804-811.15 杜建宝,董恩增,张祖锋.基于形态学的边缘检测系统与 FPGA 实现 J.天津理工大学学报,2018,34(4):26-30.16 SIMONYAN K,ZISSERMAN A.Very deep convolutional networks for large-scale image recognition J.Computer Science,2014(1):1-14.17 闫涵,张旭秀,张净丹.多感知兴趣区域特征融合的图像识别方法 J.智能系统学报,2021,16(2):263-270.18 王森,杨克俭.基于双线性插值的图像缩放算法的研究与实现 J.自动化技术与应用,2008,27(7):44-45.19 刘喜平,龚晓彦,郭希娟.基于互信息的医学图像匹配中的改进插值算法 J.计算机仿真,2010,27(7):194-197.20 ANGELOVA A,ZHU S G.Efficient object detection and segmentation for fine-grained recognition C/Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition,New York:IEEE,2013:811-818.21 MAJNIK M,BOSNIC Z.ROC analysis of classifiers in machine learning:a survey J.Intelligent Data Analysis,2013,17(3):531-558.作者简介:张丽艳(1997),女,硕士研究生,研究方向:基于机器学习的医疗影像处理。E-mail:781085309 夏承遗(通信作者)(1976),男,教授,博士,研究方向:网络博弈论、基于机器学习的医疗影像处理等。E-mail:xialooking 82