A two-stage cervical pathology cell detection model based on YOLOv7x and K-means
Notice bibliographique
Résumé
As a malignant tumour that seriously threatens women's health, early diagnosis of cervical cancer is crucial to improve the cure rate. Cervical pathological cell detection is a key link in the early diagnosis of cervical cancer, but the traditional detection methods have the problems of low efficiency and accuracy relying on manual work. In this study, we combined the YOLOv7x target detection model with K-means clustering algorithm to construct a two-stage model YOLOv7x-CH for cervical pathological cell detection. To address the problems in the detection of cervical pathological cells of High-grade Squamous Intraepithelial Lesion (HSIL) category, we firstly constructed the To address the problems in the detection of HSIL, we first constructed the YOLOv7x baseline model, extracted the nucleoplasmic ratio features based on fine segmentation and grey scale symbiosis matrix texture features from the HSIL samples, and then constructed the two-stage model YOLOv7x-CH through K-means clustering. The experimental results show that compared with the baseline model, the two-stage model YOLOv7x-CH can improve the accuracy of cervical pathological cell detection from 0.56 to 0.813, and the average accuracy AP from 0.556 to 0.591, which effectively improves the accuracy of cervical pathological cell detection, and provides a more reliable technical support for the early diagnosis of cervical cancer.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».