基于宫颈上皮与血管特征的阴道镜图像深度学习模型探索

• Published in: 复旦学报（医学版） Vol. 48; no. 4; pp. 435 - 442
• Main Authors: 李燕云, 王永明, 周奇, 李亦学, 王振, 王珏, 孟妍, 蔡青青, 隋龙, 华克勤
• Format: Journal Article
• Language: Chinese
• Published: 复旦大学附属妇产科医院宫颈科 上海 200011%上海长江科技发展有限公司智能医疗业务中心 上海 200233%中国科学院上海生命科学研究院 上海 200031%复旦大学附属妇产科医院组织部 上海 200011%复旦大学附属妇产科医院女性生殖内分泌相关疾病重点实验室 上海 200011%复旦大学附属妇产科医院妇科 上海 200011 30.07.2021
• Subjects: 阴道镜; 宫颈癌前病变; 标准化术语; 深度学习; 目标检测
• ISSN: 1672-8467
• DOI: 10.3969/j.issn.1672-8467.2021.04.002

R737.33; 目的 通过识别阴道镜图像中的上皮与血管特征,探讨深度学习的目标检测技术在宫颈癌前病变定位及分类中的可行性.方法 收集2018年3月至2019年7月复旦大学附属妇产科医院病理诊断为宫颈低级别(5708例)、高级别(2206例)癌前病变和宫颈癌(514例)患者的28975张阴道镜图像.依照国际宫颈病理与阴道镜联盟及美国阴道镜与病理协会阴道镜标准化术语,基于16类宫颈上皮与血管征象,对图像进行像素级标注后得到有效标签39858个.为降低细粒度标注可能存在的误差,进一步将标签归并为低级别、高级别和癌三大类.采用经过二次迁移学习的ResNet101预训练网络作为特征提取器,分别构建基于Faster-RCNN网络结构的高级别病变目标检测和低、高、癌三类目标检测模型.结果 基于ImageNet预训练的ResNet101模型,通过宫颈转化区分类的开源阴道镜数据进行第一次迁移学习,再以自有数据的病变分类为目标进行第二次迁移学习得到特征提取器.所构建的高级别和三类病变定位检测模型在测试集上的识别精度均值mAP@IOU=0.5分别为0.82和0.67.结论 利用国内最大阴道镜中心的大样本数据,基于上皮与血管特征的精细标注,深度学习模型在宫颈癌前病变检测中取得较好效果.深度学习的目标检测技术在宫颈癌前病变定位及分类中可行,尽管在识别精度上仍有提升空间,但已显示其辅助宫颈癌筛查尤其是指导定位的可行性.