基于Mask R-CNN的宮頸細胞圖像分割

鄭楊 梁光明 劉任任

摘? 要： 宮頸細胞圖像中目標分割的精度直接影響對疾病的判別和診斷，宮頸細胞圖像中有不同種類的多個目標，所以有必要對宮頸細胞圖像進行實例分割。為了獲得更好的宮頸細胞圖像實例分割效果，文章在Mask R-CNN的基礎上提出了一種宮頸細胞圖像實例分割方法，在網絡中的特征金字塔網絡（FPN）中加入空洞卷積將其改造為DFPN，減少圖像信息的損失來提升分割的準確度。在TCTCOCO數據集的測試結果表明，該方法提高了宮頸細胞圖像分割的精度。

關鍵詞： 卷積神經網絡; 宮頸細胞顯微圖像; 實例分割; 空洞卷積

中圖分類號：TP391? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2020）10-68-05

Abstract： The accuracy of object segmentation in cervical cell image directly affects the identification and diagnosis of the disease. There are many different kinds of objects in cervical cell image， so it is necessary to segment cervical cell image by instance. In order to obtain a better instance segmentation effect of cervical cell image， this paper proposes an instance segmentation method of cervical cell image based on Mask R-CNN. The feature pyramid network （FPN） in the network is added with dilated convolution to transform it into DFPN to reduce the loss of image information and improve the accuracy of segmentation. The results of test on TCTCOCO data set show that the method improves the accuracy of cervical cell image segmentation.

Key words： convolutional neural network （CNN）; cervical cell microscopy image; instance segmentation; dilated convolution

0 引言

許多疾病的確診是依靠醫生分析醫學影像，但是醫生的經驗和勞累程度會影響診斷結果，因此，需要利用計算機視覺相關技術來輔助醫生得出診斷結果，這樣可以提高效率和降低誤診率。

隨著智能醫療的發展和相關政策出臺，已有越來越多的人關注和研究智能醫療。如今醫學圖像分割的方法分為兩類，一類是傳統方法，其主要包括基于邊緣的方法[1]、基于閾值的方法[2]、基于聚類的方法[3]、基于區域的方法[4];另一類是基于卷積神經網絡的方法[5]，其通過卷積進行特征提取，然后再進行分割。以上方法僅對圖像進行語義分割，而實例分割是目標檢測和語義分割的結合，既能分割得到物體邊緣，又能標出圖像中相同種類物體中不同的個體。目標檢測的方法現今主要分為一步法和二步法兩類： Yolo[6]和SSD[7]都是一步法;二步法有Fast R-CNN[8]、Faster R-CNN[9]和Mask R-CNN[10]。……