A systematic review on deep learning based methods for cervical cell image analysis
Notice bibliographique
Résumé
Cervical cytology image analysis is indispensable for the detection of abnormal cervical cells. Traditionally, manual screening is time-consuming and labor-intensive. Therefore, a lot of deep learning (DL)-based automatic detection methods have been employed in this field to provide timely, accurate and objective results. In this study, we systematically review the current developments in cervical cell image analysis with DL methods. Specifically, we first present the most popular DL models that are widely applied in cervical cell analysis. Second, we describe the methodology for conducting this review. Third, we provide all publicly available datasets related to cervical cell images to the best of our knowledge. Then, we introduce relevant evaluation metrics and loss functions. Next, we summarize and assort the applications for cervical cell classification and segmentation. Afterwards, we discuss about current challenges and future research directions in this field. Finally, we draw the conclusion of this review. According to the analysis, we conclude that the studies based on DL models have maintained an increasing trend in recent years, which indicates the potential of DL in cervical cell image analysis. In cervical cell image classification, CNN is the most commonly used DL model. Among CNN models, we can find that VGGNet and ResNet are the most popular network architectures for the classification of cervical cells. Transformer is the second commonly used DL model. Moreover, Herlev and SIPaKMeD are the most popular public datasets used for cervical cell classification. In cervical cell segmentation, U-Net and FCN are the two most popular DL architectures. In addition, ISBI2014 and Herlev datasets are the most frequently used among the existing publicly available segmentation datasets. However, there are some issues in this field, such as poor cervical cell classification performance as a result of similar pathological properties between different cell categories. Therefore, it is necessary to develop more effective methods with DL models to improve these issues in the future research.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».