0-A novel attention-guided convolutional network for the detection of

A novel attention-guided convolutional network for the detection of

用于宫颈癌筛查中异常宫颈细胞检测的新型注意力引导的卷积网络

背景

一些研究已经在探索了自动检测宫颈癌的可能性，论文中举出了如以下提出的三种方法，而这些方法也存在问题，就是那些机器学习方法利用了为特定任务设计的传统手工特征，而这些特征通常不够健壮。

卷积神经网络（CNN）等深度学习的内容也被用于医学图像，因为它可以学习输入的分层特征，然而卷积神经网络也有其局限性，CNN模型的结构一般用于分类，对于细胞、器官或病变区域的定位不太适用。

Faster R-CNN解决了定位的问题，它是一种深度学习物体检测方法。由以下三部分构成：

1、CNN主干模块，用于提取有用的特征；

2、RPN区域建议网络模块，用于生成高质量的区域建议（ROIs）；

3、Faster R-CNN模块用这些高质量的ROI特征作为输入进行分类和检测的任务。

Faster R-CNN重点在显微镜图像中的细胞检测、超声图像中的胎儿头部检测、牙齿根尖周裂缝中的牙齿检测以及MR图像中的转移淋巴结检测。目前只有两项研究构建用于宫颈细胞检测的Faster R-CNN，一个是将检测并将观察到的细胞分类为不同等级的恶性程度，一个是对宫颈脱落细胞进行检测和分类，用于早期诊断。

而用于宫颈细胞检测的Faster R-CNN也存在两个问题：

1、不能处理细胞的不同尺寸变换；

2、临床知识如宫颈细胞的大小和形状被模型忽略了。

本研究提出了一种新型的注意力特征金字塔网络（AttFPN),作用是自动检测和分类Thinprep Pap图像中非正常宫颈细胞。创新：

1、开发了注意力模块，与多尺度特征融合更有效地重新提取特征。

2、在区域建议网络中根据真实的宫颈细胞大小分布来设计anchor boxes（锚框）的尺寸和长宽比

实验方法

宫颈癌检测任务分为三个阶段：1、标注过异常细胞的异常斑块用来训练AttFPN模型，重点在于检测特定图像斑块中的异常细胞；2、使用分类网络，根据检测到的异常细胞以及异常概率预测每个图片的异常概率；3、总结一个病例中的所有图片的预测结果，预测该病例的最终病例等级分类。

AttFPN模型

AttFPN结合了注意力模块和多尺度特征融合，网络结构是DenseNet-169；

检测部分，模型对输入进行学习，训练完成后给定一个image可以检测到异常的宫颈细胞并且得到他们的异常概率；

分类部分，检测到的异常细胞的最大概率为图像的异常概率。

AttFPN结合了注意力模块和多尺度特征融合，网络结构是DenseNet-169；

检测部分，模型对输入进行学习，训练完成后给定一个image可以检测到异常的宫颈细胞并且得到他们的异常概率；

分类部分，检测到的异常细胞的最大概率为图像的异常概率。

Attention module

低层特征通过channel attention沿着channel维度进行重构，将重构的特征送入spatial attention，再沿着spatial维度进行重构，最后，重新确定的低层次特征与高层次特征相融合。

实验结果

三种方法在各个网络结构上的检测性能比较

评价标准：AP(平均精度)

注意力模块可以有效地提高异常细胞的检测，因为注意力模块可以有效地重新提取特征。

模型结合了多尺度特征融合和注意力模块，注意力模块知道在哪里需要强调哪里需要抑制并重新提取特征；多尺度特征融合可以检测出各种尺寸的异常细胞。

AttFPN所包围的区域是最大的，因此这个方法能够更准确的将异常病例和正常病例进行分类。

总结

本文介绍了一种名为AttFPN的新型深度学习方法，作为宫颈癌筛查中宫颈细胞异常的自动检测模型。该模型以临床知识和注意力机制为指导，包括一个多尺寸的特征融合结构和一个注意力模块。

该方法的表现优于相关的先进的深度学习方法，并与具有10年经验的病理学家的表现相当。本方法可以作为一个可靠的助手，帮助病理学家在宫颈癌筛查中更有效和准确地确定异常的宫颈细胞。此外，它还可以为没有经验的病理学家提供有用的建议，特别是在资源匮乏的地区是很重要的。