韓穎 趙萌 陳勝勇 王照錫

摘 要：針對基于細(xì)胞圖像分割的病變宮頸細(xì)胞篩查中由于細(xì)胞精細(xì)分割復(fù)雜而不能實現(xiàn)篩查自動化的問題，提出一種省略精細(xì)分割步驟的宮頸細(xì)胞分類算法。首先，定義一種新的用于描述像素值分布的特征——最大截面（MAXSection）特征，將該特征與反向傳播（BP）神經(jīng)網(wǎng)絡(luò)和Selective Search算法結(jié)合，實現(xiàn)細(xì)胞核感興趣區(qū)域（ROI）的準(zhǔn)確提取（最高正確率100%）;其次，基于最大截面特征定義了兩個參數(shù)——估計長與估計寬，用于描述病變細(xì)胞核的形態(tài)變化;最后，根據(jù)宮頸細(xì)胞發(fā)生癌變時其核會絕對增大的特點，利用以上兩參數(shù)實現(xiàn)病變細(xì)胞核（估計長與估計寬中至少一個參數(shù)大于65）與正常細(xì)胞核（估計長與估計寬均小于等于65）的分類。實驗結(jié)果表明，該自動篩查算法的準(zhǔn)確率為98.89%，敏感度為98.18%，特異度為99.20%。該算法可以完成從輸入整幅巴氏涂片到輸出最終篩查結(jié)果的全部過程，實現(xiàn)病變宮頸細(xì)胞篩查的自動化。

關(guān)鍵詞：病變宮頸細(xì)胞篩查;精細(xì)分割;反向傳播神經(jīng)網(wǎng)絡(luò);Selective Search算法

中圖分類號：TP391.7

文獻(xiàn)標(biāo)志碼：A

文章編號：1001-9081（2019）04-1189-07

Abstract： Aiming at the problem that the complexity of cervical cell image fine segmentation makes it difficult to achieve automatic abnormal cell screening based on cell image segmentation， a cervical cell classification algorithm without fine segmentation step was proposed. Firstly， a new feature named MAXimum Section （MAXSection） was defined for describing the distribution of pixel values， and was combined with Back Propagation （BP） neural network and Selective Search algorithm to realize the accurate extraction of nucleus Region Of Interest （ROI） （the highest accuracy was 100%）. Secondly， two parameters named estimated length and estimated width were defined based on MAXSection to describe morphological changes of abnormal nucleus. Finally， according to the characteristic of absolute enlargement of cervical nucleus when cervical cancer occurs， the classification of abnormal nucleus （at least one parameter of estimated length and width is greater than 65） and normal nucleus （estimated length and width are both less than 65） can be realized by using the above two parameters. Experimental results show that the proposed algorithm has screening accuracy of 98.89%， sensitivity of 98.18%， and specificity of 99.20%. The proposed algorithm can complete the total process from the input of whole Pap smear image to the output of final screening results， realizing the automation of abnormal cervical cell screening.

Key words： abnormal cervical cell screening; fine segmentation; Back Propagation （BP） neural network; Selective Search algorithm

0?引言

世界衛(wèi)生組織國際癌癥研究機構(gòu)（International Agency for Research on Cancer）統(tǒng)計數(shù)據(jù)顯示，全球范圍內(nèi)宮頸癌的發(fā)病率、患病率和死亡率在所有女性罹患的癌癥中均位居前五[1]。2018年2月，國家癌癥中心發(fā)布了最新的全國癌癥統(tǒng)計數(shù)據(jù)：在我國，宮頸癌的發(fā)病率在所有女性罹患的惡性腫瘤中排名第六[2]。而宮頸癌的發(fā)生和發(fā)展有一個漸進的演變過程，早期的癌前病變的治愈率非常高，因此宮頸癌的預(yù)防與篩查顯得尤為重要?；诎褪贤科蛞夯?xì)胞學(xué)涂片的細(xì)胞學(xué)篩查被認(rèn)為是最常用且有效的方法，其操作簡單、成本低廉，通過人工或者計算機輔助手段完成宮頸病變篩查。人工閱片方法受限于閱片人的臨床經(jīng)驗及閱片人其他的主觀意識等因素，與計算機輔助閱片相比，其工作效率較低。對計算機輔助細(xì)胞學(xué)檢查的研究從20世紀(jì)開始，通過結(jié)合計算機技術(shù)與病理學(xué)知識，診斷由于細(xì)胞病變而引發(fā)的癌癥。

計算機輔助宮頸細(xì)胞病變篩查的本質(zhì)是通過提取并分析細(xì)胞或細(xì)胞核的形態(tài)學(xué)特征，來確定細(xì)胞是否發(fā)生癌變。大多數(shù)傳統(tǒng)的宮頸細(xì)胞篩查方法往往是基于細(xì)胞的精確分割結(jié)果[3]，從而提取到基于分割結(jié)果的細(xì)胞形態(tài)特征，如長軸、短軸、面積、形狀等，對細(xì)胞的形態(tài)進行定量分析，結(jié)合閾值法[4]、聚類法[5]、支持向量機（Support Vector Machine， SVM）[6-8]、神經(jīng)網(wǎng)絡(luò)[9-12]或多分類器融合[13-15]等方法完成細(xì)胞識別。利用這種基于精細(xì)分割結(jié)果的特征對細(xì)胞進行分類，其分類準(zhǔn)確率必然受到分割結(jié)果準(zhǔn)確性的直接影響，尤其在出現(xiàn)欠分割問題時，細(xì)胞形態(tài)特征值不準(zhǔn)確甚至錯誤，會對接下來的分類產(chǎn)生嚴(yán)重的負(fù)面影響。在未涉及分割算法的研究中，基于細(xì)胞形態(tài)學(xué)的定量特征可直接獲取，即真實的分割數(shù)據(jù)默認(rèn)存在[16-18]。由于宮頸涂片染色與制片技術(shù)的差異性、宮頸細(xì)胞形態(tài)的多樣性等原因，宮頸細(xì)胞的精細(xì)分割結(jié)果魯棒性不佳，其仍然是一個具有挑戰(zhàn)性的研究課題。隨著深度學(xué)習(xí)的發(fā)展，深度特征作為一種在大數(shù)據(jù)中自動學(xué)習(xí)而得到的特征在分類領(lǐng)域中取得了不錯的成績。深度特征不受分割精度影響，Zhang等[19-21]將其應(yīng)用于宮頸細(xì)胞識別中。但是，由于醫(yī)學(xué)圖像樣本數(shù)量往往不能滿足深度學(xué)習(xí)的需求，數(shù)據(jù)擴增、遷移學(xué)習(xí)等策略普遍應(yīng)用，增加了算法的復(fù)雜度。

為避免宮頸細(xì)胞分割對分類結(jié)果的影響，省略傳統(tǒng)分割步驟的細(xì)胞核分類算法應(yīng)運而生。Zhao等[22]通過對整幅圖像進行平均分割，并根據(jù)各個分割塊的圖像特征完成細(xì)胞核的分類。受此文啟發(fā)，本文提出一種基于最大截面（MAXimum Section， MAXSection）特征病變宮頸細(xì)胞核的自動篩查算法，旨在對包含細(xì)胞團簇的巴氏涂片進行病變細(xì)胞篩查，實現(xiàn)從輸入整幅巴氏涂片圖片到輸出最終宮頸癌細(xì)胞的篩查結(jié)果的全部過程。首先從整幅巴氏涂片圖像中提取感興趣區(qū)域（Region Of Interest， ROI），并根據(jù)其中像素值的分布，定義了名為最大截面的特征，該特征結(jié)合反向傳播（Back Propagation， BP）神經(jīng)網(wǎng)絡(luò)實現(xiàn)細(xì)胞核ROI篩選。為彌補省略細(xì)胞精細(xì)分割步驟而缺少的細(xì)胞核定量特征，利用基于最大截面特征的估計長與估計寬來描述細(xì)胞核的形態(tài)。該算法在避開宮頸細(xì)胞分割難題的同時，準(zhǔn)確地實現(xiàn)了基于細(xì)胞核形態(tài)變化的宮頸癌細(xì)胞篩查。

1?病變宮頸細(xì)胞核篩查模型

宮頸細(xì)胞篩查的目的是識別出病變細(xì)胞，進而實現(xiàn)宮頸癌的預(yù)防與治療。本文通過對宮頸細(xì)胞核形態(tài)變化的分析，提出了一種基于最大截面特征的病變宮頸細(xì)胞篩查算法。該算法可分為兩個部分：1）基于BP神經(jīng)網(wǎng)絡(luò)的細(xì)胞核篩選;2）基于統(tǒng)計閾值的細(xì)胞核分類。首先利用Selective Search算法提取可能包含細(xì)胞核的ROI并構(gòu)建數(shù)據(jù)庫;之后，定義了一個名為最大截面的特征用于描述ROI像素的分布，并以此作為輸入，訓(xùn)練和測試BP神經(jīng)網(wǎng)絡(luò);進而，利用訓(xùn)練好的網(wǎng)絡(luò)預(yù)測未分類ROI的類別（細(xì)胞核或非細(xì)胞核）;最后，定義了兩個基于最大截面特征的參數(shù)——估計長與估計寬用于描述細(xì)胞核的大小，統(tǒng)計分析正常細(xì)胞核與病變細(xì)胞核估計長度與估計寬度的值并確定閾值，并根據(jù)該閾值將細(xì)胞核分為病變細(xì)胞核與正常細(xì)胞核，實現(xiàn)對病變宮頸細(xì)胞的篩選。本文算法流程如圖1所示，該算法完成了從輸入未經(jīng)處理的巴氏涂片到輸出篩查結(jié)果的全部過程。

1.1?Selective Search算法

Selective Search算法[23]最初是由Uijlings等提出的，用于為目標(biāo)識別提取ROI，即在圖像中尋找并定位可能包含目標(biāo)的區(qū)域。Selective Search將基于圖的圖像分割算法和分層算法相結(jié)合，基于初始分割域之間的相似性，一次完成多尺度多目標(biāo)的提取，具體步驟如下：

通常情況下，在整幅未處理的巴氏涂片圖片中包含著大小各異、形狀不規(guī)則且染色深淺不同的宮頸細(xì)胞核，為完成接下來的基于細(xì)胞核形態(tài)變化的宮頸癌細(xì)胞篩查，本文首先采用適合于多尺度圖像處理的Selective Search算法從整幅巴氏涂片中提取可能包含細(xì)胞核的ROI，處理結(jié)果如圖2所示。相對于窮舉搜索需要改變窗口的大小并多次掃描整個圖像才能完成不同尺度ROI的提取，Selective Search在處理同一圖片時需要的時間更少。

為避免因ROI交疊而出現(xiàn)重復(fù)選擇同一塊區(qū)域的情況，計算了各個ROI間的交并比（Intersection Over Union， IOU）并設(shè)置閾值，當(dāng)確定兩ROI重疊度較高時，僅保留面積較大的ROI。IOU定義如式（6）所示：

文獻(xiàn)[22]中直接用平均分塊法提取整幅巴氏涂片圖片中的ROI，而不考慮細(xì)胞核自身的相似性及其位置，分割出的ROI完整度欠佳且冗余較多，如圖3所示。與之相比，利用Selective Search算法可以更加精準(zhǔn)地提取出ROI且其中的細(xì)胞核完整度高，如圖4所示。

對比圖3與圖4，當(dāng)處理同一幅巴氏涂片圖像時，本文方法可以完整地提取出4個病變細(xì)胞核，而文獻(xiàn)[22]算法將這4個細(xì)胞核分割為7部分。由于細(xì)胞核的完整性直接影響細(xì)胞分類正確率，因此Selective Search更適合用于ROI提取。

1.2?最大截面特征

1.2.1?定義

Selective Search算法提取到的ROI中包含細(xì)胞核ROI和非細(xì)胞核ROI，因此需進行ROI篩選以避免因非細(xì)胞ROI的存在而導(dǎo)致接下來細(xì)胞核分類不準(zhǔn)確。本文根據(jù)宮頸細(xì)胞核圖像特征提出了一種新的特征，稱為最大截面特征，該特征根據(jù)細(xì)胞核與非細(xì)胞核形狀的差異性而引發(fā)像素值分布的不同，來識別細(xì)胞核ROI與非細(xì)胞核ROI。MAXSection特征定義如下：

其中：M代表輸入ROI的圖像矩陣（在細(xì)胞核篩選任務(wù)中，為確保各個ROI最大截面特征維度的一致性，M為固定大小矩陣，即大小各異的ROI經(jīng)過縮放變換，大小統(tǒng)一為100×100;而在細(xì)胞核分類任務(wù)中，由于細(xì)胞核體積的變化是細(xì)胞病變的顯著特征，M的大小與各個ROI大小一致）;m、n分別代表M的行數(shù)和列數(shù); p、 q分別代表M第p行和第q列;Sumhorizontal為一維向量，用于記錄M每一行元素的和;indexhorizontal用于記錄Sumhorizontal中最小值的索引;MAXSectionhorizontal為橫向最大截面特征，記錄矩陣M中第indexhorizontal行像素值;Sumvertical為一維向量，即矩陣M每一列元素的和;indexvertical用于記錄Sumvertical中最小值的索引;MAXSectionvertical為縱向最大截面特征，即矩陣M中第indexvertical列像素值。

當(dāng)ROI中包含細(xì)胞核時，圖片的最大截面特征即橫向和縱向的最小像素值分布如圖5所示;而當(dāng)ROI中不包含細(xì)胞核時，圖片的最大截面特征即橫向和縱向的最小像素值分布如圖6所示。

通常情況下，細(xì)胞核處于ROI中間區(qū)域，呈近圓形或近橢圓形，且染色較深，其最大截面特征中細(xì)胞核區(qū)域較平坦。而非細(xì)胞核深染雜質(zhì)，形狀各異，且四散分布，其最大截面特征波動較多。該特征不僅適用于宮頸細(xì)胞核的篩選，還適用于多種與其形似的細(xì)胞、細(xì)胞核的篩選。

1.2.2?基于最大截面特征的估計長與估計寬

病變細(xì)胞的細(xì)胞核形態(tài)學(xué)特征變化明顯[24]，最常見的是細(xì)胞核絕對增大，可增大到中層鱗狀上皮細(xì)胞核面積的2.5～3倍，甚至更高，核漿比相對增大;除此之外，病變細(xì)胞核型變化，核膜凹陷也是常見形態(tài)學(xué)變化之一。正常細(xì)胞核與病變細(xì)胞核對比如圖7所示。

由于正常細(xì)胞與病變細(xì)胞在核的絕對大小上差異明顯，細(xì)胞核的長軸、短軸等形態(tài)學(xué)特征是細(xì)胞分類的重要依據(jù)。在傳統(tǒng)的宮頸細(xì)胞分類算法中，若想獲得細(xì)胞核的長軸、短軸數(shù)據(jù)，首先需對細(xì)胞核進行精細(xì)分割，之后畫出細(xì)胞核輪廓的外接橢圓，最后得到長、短軸的值。由于本文方法省略了傳統(tǒng)方法中的細(xì)胞精細(xì)分割步驟，因此，采用上述方法獲取長、短軸顯然是不可行的。本文再次利用細(xì)胞核最大截面特征，將可視化該特征中凹陷區(qū)域的長度作為衡量細(xì)胞核大小的參數(shù)，即定義兩個非基于細(xì)胞精細(xì)分割的特征，估計細(xì)胞核的形態(tài)，分別稱為估計長度（式（13））與估計寬度（式（14）），如圖8所示。通過以上二者的值，可將細(xì)胞核ROI分為病變細(xì)胞核和正常細(xì)胞核兩類。

與傳統(tǒng)長、短軸相比，估計長度與估計寬度的獲取方法簡便。尤其是在處理染色不均與對比度低的宮頸細(xì)胞圖像時，分割方法的復(fù)雜度往往較高，且可能會出現(xiàn)欠分割問題，細(xì)胞核長軸、短軸的準(zhǔn)確獲取尤為困難。

2?實驗與分析

實驗采用的巴氏涂片圖像均來自天津醫(yī)科大學(xué)天津腫瘤醫(yī)院，每個圖像大小是2592×1944像素。實驗的軟件環(huán)境為python2.7和Matlab 2015b。

2.1?數(shù)據(jù)庫建立

利用Selective Search提取多幅巴氏涂片圖像中可能包含細(xì)胞核的ROI（根據(jù)細(xì)胞核大小設(shè)置Selective Search的參數(shù)min_size為50，即最小ROI的大小為50×50），建立細(xì)胞核庫（375個細(xì)胞核ROI圖像，并擴增為750個細(xì)胞核ROI圖像，數(shù)據(jù)擴增方法如圖9所示）和非細(xì)胞核庫（750個非細(xì)胞核ROI圖像）。

2.2?基于BP神經(jīng)網(wǎng)絡(luò)的細(xì)胞核篩選BP神經(jīng)網(wǎng)絡(luò)[25]

是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，多用于數(shù)據(jù)分類與模式識別。BP神經(jīng)網(wǎng)絡(luò)是多層前饋網(wǎng)絡(luò)（輸入層、隱含層和輸出層），包括信號的前向傳播和誤差的反向傳播兩個過程。其基本思想是梯度下降法，通過誤差的反向傳播連續(xù)調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使網(wǎng)絡(luò)平方誤差達(dá)到最小值。

為訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，需將ROI的類別進行標(biāo)記，并提取特征，將標(biāo)記與特征組合成一維數(shù)組作為網(wǎng)絡(luò)的輸入。訓(xùn)練集和測試集的樣本分別從細(xì)胞核庫和非細(xì)胞核庫中隨機抽取，訓(xùn)練集與測試集的比為2∶1，即訓(xùn)練集中包含500張細(xì)胞核圖像和500張非細(xì)胞核圖像;測試集中包含250張細(xì)胞核圖像和250張非細(xì)胞核圖像。

為體現(xiàn)最大截面特征在細(xì)胞核篩選任務(wù)中的優(yōu)越性本文利用準(zhǔn)確率（式（15））、敏感度（式（16））和特異度（式（17））三個指標(biāo)來衡量。分別將方向梯度直方圖（Histogram of Oriented Gradient， HOG）特征（實驗一）、局部二值模式（Local Binary Pattern， LBP）特征（實驗二）、Gabor濾波特征（實驗三）和最大截面特征（實驗四）與樣本標(biāo)記組合為一維數(shù)組作為BP神經(jīng)網(wǎng)絡(luò)的輸入，對網(wǎng)絡(luò)進行訓(xùn)練和測試。HOG特征將圖像局部區(qū)域的梯度方向直方圖作為特征，而梯度信息主要存在于圖像邊緣。一般情況下，細(xì)胞核染色相對于胞漿深，細(xì)胞核邊緣明顯，適合提取HOG特征。LBP特征是一種用來描述圖像局部特征的算子，具有灰度不變性和旋轉(zhuǎn)不變性等顯著優(yōu)點。其中，灰度不變性即對灰度變化具有魯棒性，適用于染色以及光照不均的巴氏涂片圖片。Gabor濾波對圖像的邊緣敏感，能夠提供良好的方向選擇和尺度選擇特性，而且對于光照變化不敏感，能夠提供對光照變化良好的適應(yīng)性，利用其提取到的紋理特征適合描述光照不均條件下的細(xì)胞核邊緣信息。

準(zhǔn)確率=分類正確樣本個數(shù)樣本總數(shù)（15）

敏感度=預(yù)測正確陽性樣本個數(shù)真實陽性樣本總數(shù)（16）

特異度=預(yù)測正確陰性樣本個數(shù)真實陰性樣本總數(shù)（17）

重復(fù)各個隨機實驗10次，并記錄數(shù)據(jù)。采用預(yù)測值與類別標(biāo)記值之差作為誤差來衡量測試的精度，設(shè)置誤差容忍度為±0.5，即當(dāng)誤差小于±0.5，判定識別正確，并統(tǒng)計準(zhǔn)確率。實驗1～4的數(shù)據(jù)記錄于表1，準(zhǔn)確率與魯棒性比較如圖10，實驗數(shù)據(jù)對比如表2所示。

由實驗數(shù)據(jù)可知，利用最大截面特征訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)，其測試結(jié)果的準(zhǔn)確率與魯棒性均優(yōu)于HOG特征、LBP特征以及Gabor濾波特征，最高準(zhǔn)確率為100%。當(dāng)測試準(zhǔn)確率最高時，保存BP神經(jīng)網(wǎng)絡(luò)的各項參數(shù)與權(quán)值，其中基于最大截面特征的BP神經(jīng)網(wǎng)絡(luò)分類器的具體設(shè)置如表3所示?；谧畲蠼孛嫣卣鞯募?xì)胞核篩選優(yōu)于文獻(xiàn)[22]算法利用LBP特征中的一致性旋轉(zhuǎn)不變模式（Rotation Invariant Uniform-LBP， RIU-LBP）完成的背景塊與異常塊篩選（背景去除準(zhǔn)確率為99.97%，異常塊篩選準(zhǔn)確率為 99.29%）。

輸入層神經(jīng)元個數(shù)即為最大截面特征維度，由橫向最大截面特征（100×1）與縱向最大截面特征（100×1）拼接而成;隱含層神經(jīng)元個數(shù)計算方法如式（18）所示：

2.3?基于統(tǒng)計閾值的細(xì)胞核分類

由于正常細(xì)胞與病變細(xì)胞在核的絕對大小上差異明顯，本文統(tǒng)計了細(xì)胞核數(shù)據(jù)集中195張（135張正常細(xì)胞核和60張病變細(xì)胞核）ROI估計長度與估計寬度的數(shù)值，正常細(xì)胞核的估計長與估計寬數(shù)值統(tǒng)計如圖11，病變細(xì)胞核估計長與估計寬二者的最大值統(tǒng)計如圖12。根據(jù)統(tǒng)計結(jié)果及實驗可知，當(dāng)閾值設(shè)置為65時（估計長與估計寬均小于65時，判定細(xì)胞核為正常細(xì)胞核，否則判定為病變細(xì)胞核），細(xì)胞核分類的準(zhǔn)確度最高。利用該方法對180張細(xì)胞核圖片進行篩查，其篩查準(zhǔn)確率為98.89%。誤判為正常細(xì)胞核的病變細(xì)胞核如圖13（a）所示，誤判為病變細(xì)胞核的正常細(xì)胞核如圖13（b）所示。二者的誤判原因均為細(xì)胞核染色不均，進而造成估計長與估計寬不準(zhǔn)確。

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率與病變細(xì)胞核篩查準(zhǔn)確率得出該算法的最高準(zhǔn)確率為98.89%。該算法實現(xiàn)了基于宮頸細(xì)胞核的宮頸癌篩查，自動完成從整幅巴氏涂片到篩查結(jié)果的全部過程。采用準(zhǔn)確率、敏感度度和特異度作為評價指標(biāo)，對本文算法與其他宮頸細(xì)胞核二分類算法進行比較，結(jié)果列入表4。

從表4可知，在宮頸細(xì)胞二分類任務(wù)中，本文算法的準(zhǔn)確度在5個算法的位列第二，僅低于文獻(xiàn)[22]算法0.09個百分點。

而對于宮頸細(xì)胞篩查而言，將異常細(xì)胞判定為正常細(xì)胞導(dǎo)致的后果更為嚴(yán)重，因此，敏感度是一個十分重要的衡量指標(biāo)。從這個角度而言，本文算法優(yōu)于其他4種算法。

3?結(jié)語

本文提出了基于最大截面特征與BP神經(jīng)網(wǎng)絡(luò)的宮頸細(xì)胞病變細(xì)胞核自動篩查算法，該算法包括細(xì)胞核識別和病變細(xì)胞核篩查兩個步驟。與傳統(tǒng)的基于細(xì)胞精細(xì)分割結(jié)果的宮頸細(xì)胞分類算法相比，該算法實現(xiàn)了從輸入整幅未經(jīng)處理的巴氏涂片到輸出最終篩查結(jié)果的全部過程。其優(yōu)點在于：一方面，省略了傳統(tǒng)算法中的細(xì)胞分割步驟，很大程度上降低了該算法的復(fù)雜度;另一方面，消除了分割結(jié)果對分類準(zhǔn)確度的影響。實驗結(jié)果表明，利用最大截面特征訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)的測試結(jié)果的準(zhǔn)確性與魯棒性均優(yōu)于其他特征。對于

整幅巴氏涂片圖像該算法能夠自動且精確地篩選出細(xì)胞核，并有效地篩查出病變細(xì)胞核，實用性強。目前，算法僅能夠?qū)⒓?xì)胞核分為病變細(xì)胞核與正常細(xì)胞核，因此，對細(xì)胞核的多分類是本研究接下來要繼續(xù)的工作。另外，在提取ROI時，Selective Search參數(shù)自適應(yīng)也是值得研究的問題。

參考文獻(xiàn)（References）

[1] CANCER TODAY. [EB/OL]. [2018-05-10]. http：//gco.iarc.fr/today/explore.

[2] 陳萬青， 孫可欣， 鄭榮壽， 等. 2014年中國分地區(qū)惡性腫瘤發(fā)病和死亡分析[J]. 中國腫瘤， 2018， 27（1）： 1-14. （CHEN W Q， SUN K X， ZHENG R S， et al. Report of cancer incidence and mortality in different areas of China， 2014[J]. China Cancer， 2018， 27（1）： 1-14.）

[3] 劉一鳴， 張鵬程， 劉祎， 等.基于全卷積網(wǎng)絡(luò)和條件隨機場的宮頸癌細(xì)胞學(xué)圖像的細(xì)胞核分割[J]. 計算機應(yīng)用， 2018， 38（11）： 3348-3354. （LIU Y M， ZHANG P C， LIU Y， et al. Segmentation of cervical nuclei based on fully convolutional network and conditional random field[J]. Journal of Computer Applications， 2018， 38（11）： 3348-3354.）

[4] 張鑫. 一種基于圖像內(nèi)容的粗略分類方法研究[D]. 南昌： 南昌航空大學(xué)， 2015： 44-48. （ZHANG X. A method of research of general classification methods on image[D]. Nanchang： Nanchang Hangkong University， 2015： 44-48.）

[5] GENTAV A， AKSOY S， NDER S. Unsupervised segmentation and classification of cervical cell images[J]. Pattern Recognition， 2012， 45（12）： 4151-4168.

[6] 魯武警. 基于Snake分割和SVM的宮頸細(xì)胞識別研究[D]. 濟南： 山東大學(xué)， 2015： 45-52. （LU W J. Study of cervical cell recognition based on Snake segmentation and SVM[D]. Jinan： Shandong University， 2015： 45-52.）

[7] CHEN Y F， HUANG P C， LIN K C， et al. Semi-automatic segmentation and classification of Pap smear cells[J]. IEEE Journal of Biomedical & Health Informatics， 2014， 18（1）： 94-108.

[8] 趙理莉， 孫燎原， 殷建平， 等. 結(jié)合層次法與主成分分析特征變換的宮頸細(xì)胞識別[J]. 國防科技大學(xué)學(xué)報， 2017， 39（6）： 45-50. （ZHAO L L， SUN L Y， YIN J P， et al. Cervical cell recognition based on hierarchical method and principal component analysis feature transformation[J]. Journal of National University of Defense Technology， 2017， 39（6）： 45-50.）

[9] 呂緒洋. 宮頸細(xì)胞病理圖像的分類識別方法研究[D]. 桂林： 廣西師范學(xué)院， 2016： 22-33. （LYU X Y. The classification of cervical cell pathological image recognition method research[D]. Guilin： Guangxi Teachers Education University， 2016： 22-33.）

[10] 王爽. 宮頸細(xì)胞圖像分割與識別算法研究[D]. 青島： 山東科技大學(xué)， 2017： 40-47. （WANG S. Study on recognition and segmentation technology of cervical cell image[D]. Qingdao： Shandong University of Science and Technology， 2017： 40-47.）

[11] 關(guān)濤. 光學(xué)顯微宮頸細(xì)胞圖像的分割與識別方法研究[D]. 長沙： 國防科學(xué)技術(shù)大學(xué)， 2015： 103-116. （GUAN T. Segmentation and classification of optical microscopic cervical cell images[D]. Changsha： National University of Defense Technology， 2015： 103-116.）

[12] CHANKONG T， THEERA-UMPON N， AUEPHANWIRIYAKUL S. Automatic cervical cell segmentation and classification in Pap smears[J]. Computer Methods and Programs in Biomedicine， 2014， 113（2）： 539-556.

[13] 李文杰. 一種多分類器融合的單個宮頸細(xì)胞圖像分割、特征提取和分類識別方法研究[D]. 桂林： 廣西師范大學(xué)， 2016： 47-58. （LI W J. Based on multiple fusion of single cervical cell image segmentation， feature extraction and classification recognition method research[D]. Guilin： Guangxi Normal University， 2016： 47-58.）

[14] LING Z， HUI K， CHIEN T C， et al. Automation-assisted cervical cancer screening in manual liquid-based cytology with hematoxylin and eosin staining[J]. Cytometry Part A， 2014， 85（3）： 214-230.

[15] JIE S， XUAN X， HE Y， et al. Automatic detection of cervical cancer cells by a two-level cascade classification system[J]. Analytical Cellular Pathology， 2016， 2016（4）： 9535027.

[16] ZHAO L， LI K， YIN J， et al. Complete three-phase detection framework for identifying abnormal cervical cells[J]. IET Image Processing， 2017， 11（4）： 258-265.

[17] SARWAR A， SHARMA V， GUPTA R. Hybrid ensemble learning technique for screening of cervical cancer using Papanicolaou smear image analysis[J]. Personalized Medicine Universe， 2015， 4： 54-62.

[18] 劉艷紅， 羅曉曙， 陳錦， 等. 宮頸細(xì)胞圖像的特征提取與識別研究[J]. 廣西師范大學(xué)學(xué)報（自然科學(xué)版）， 2016， 34（2）： 61-66. （LIU Y H， LUO X S， CHEN J， et al. Research on cervical cell image feature extraction an recognition[J]. Journal of Guangxi Normal University （Natural Science Edition）， 2016， 34（2）： 61-66.）

[19] ZHANG L， LU L， NOGUES I， et al. DeepPap： deep convolutional networks for cervical cell classification[J]. IEEE Journal of Biomedical and Health Informatics， 2017， 21（6）： 1633-1643.

[20] 盧磊， 羅曉曙， 孫妤喆， 等. 基于聯(lián)合特征PCANet的宮頸細(xì)胞圖像識別方法： CN106778554A [P]. 2017-05-31. （LU L， LUO X S， SUN Y Z， et al. Research of cervical cell image classification based on feature-united PCANet： CN106778554A [P]. 2017-05-31.）

[21] 郝占龍， 羅曉曙， 趙書林.基于同層多尺度核CNN的單細(xì)胞圖像分類[J]. 計算機工程與應(yīng)用， 2018， 54（15）： 181-184. （HAO Z L， LUO X S， ZHAO S L. Single cell image classification based on same layer multi scale kernel CNN[J]. Computer Engineering and Applications， 2018， 54（15）： 181-184.）

[22] ZHAO M， WU A， SONG J， et al. Automatic screening of cervical cells using block image processing [EB/OL]. [2018-05-10]. https：//doi.org/10.1186/s12938-016-0131-z.

[23] UIJLINGS J R， SANDE K E， GEVERS T， et al. Selective search for object recognition[J]. International Journal of Computer Vision， 2013， 104（2）： 154-171.

[24] 彭振武.宮頸細(xì)胞學(xué)看細(xì)胞到底要看什么？[EB/OL]. [2018-06-13]. https：//www.91360.com/201701/60/31313.html. （PENG Z W. What can be seen in the cell according to cervical cytology？ [EB/OL]. [2018-06-13]. https：//www.91360.com/201701/60/31313.html.）

[25] HECHT-NIELSEN R. Theory of the backpropagation neural network[C]// IJCNN 1989： Proceedings of the 1989 International Joint Conference on Neural Networks. Piscataway， NJ： IEEE， 1989： 593-605.