Automatic Segmentation of Cervical Precancerous Lesions in Colposcopy Image Using Pyramid Scene Parsing Network and Transfer Learning
Notice bibliographique
Résumé
Cervical cancer is the second most common cancer among women worldwide.According to the 2020 estimates by GLOBOCAN in 185 countries, there were 604,000 new cases of cervical cancer and 342,000 deaths.In clinical practice, the segmentation of LSIL+ (cervical intraepithelial neoplasia+cervical cancer) lesions in colposcopic images (cervical imaging) is essential for assisting gynecologists in diagnosing cervical intraepithelial neoplasia grading and cervical cancer.It can also aid gynecologists in identifying the precise lesion area for further pathological examination.Existing computer-aided diagnosis algorithms exhibit poor segmentation performance due to insufficient training data that fail to focus on semantically meaningful lesion parts.In this study, we employed the improved Pyramid Scene Parsing Network (PSPNet-ResNet50) computer-aided diagnosis algorithm to automatically segment LSIL+ lesion areas in colposcopic images.We collected 971 images containing low-grade cervical intraepithelial neoplasia LSIL (CIN 1), high-grade cervical intraepithelial neoplasia HSIL (CIN 2/CIN 3), and cervical cancer from the Department of Obstetrics and Gynecology at Hebei University Affiliated Hospital.Two experienced gynecologists annotated the LSIL+ lesion areas to create a dataset for cervical lesion segmentation.We designed a lesion-aware convolution neural network transfer learning strategy to accomplish the lesion segmentation task.Comprehensive experiments were conducted to evaluate the proposed method's segmentation performance on clinical cervical images.Our research findings indicate that the PSPNet-ResNet50 network used in this study achieved the best segmentation results for automated (LSIL+ area) segmentation, with pixel accuracy (PA), mean pixel accuracy (MPA), precision (Pre), recall (Re), F1 score (F1), and mean intersection over union (MIoU) values of 95.21%, 89.83%, 84.58%, 82.22%, 83.38%, and 83.83%, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».