姚超等：基于深度学习的宫颈癌异常细胞快速检测方法 1145 定数据集设计，在其他数据集上（如医学图像数据 数量和计算成本最大，模型结构复杂.综合各项评 集)的泛化能力不强.由于区分局部区域是否含细 估指标考虑，从对局部区域是否含有细胞簇的分类 胞簇任务简单，Resnet系列模型相较其它模型结构 任务来看，Resnet系列模型优于其他当前主流模型. 简单，不易产生过拟合.特异性(True negative rate, 3.3目标检测实验 TNR)是衡量模型能否正确识别出不含细胞簇区域 对完整的一张TCT图像经过“滑动交叠裁剪” 能力的指标，而敏感性(True positive rate,.TPR)则是 后获得的11550张2000像素×2000像素的病理细 衡量模型能否正确识别出含细胞簇区域能力的指 胞图像，输入到目标检测模型里进行推理时间对 标，经过分析，绝大多数模型的特异性指标高于敏感 比实验.本文选取了当前主流的目标检测网络 性指标，这是因为含细胞簇图像特征复杂，难以学 模型进行实验，对比了Faster RCNN四、Cascade 习.经过分析，Shufflenetv22的推理耗时最小，其原因 RCNNI391、Libra RCNNI40、Tridentnet、Foveaboxl42、 在于它的模型参数量小，计算成本小，模型结构简 ATSS)、YoloV5的实验结果，实验结果如表3 单，Efficientnet--b7的推理耗时最大，因为其模型参 所示 表3模型推理时间对比实验 Table 3 Comparison experiment for model reasoning time Single stage model Time consumption/s Param/MB Double stage models Time consumption/s Param/MB Faster RCNN 2775 40.1 Resnet50+Faster RCNN 1089 62.61 Cascade RCNN 2877 65.9 Resnet50+Cascade RCNN 1178 88.41 Libra RCNN 3118 41.6 Resnet50+Libra RCNN 1496 64.11 Tridentnet 4469 33.1 Resnet50+Tridentnet 2106 55.61 Foveabox 2437 36.0 Resnet50+Foveabox 1189 58.51 ATSS 3014 31.2 Resnet50+ATSS 1450 53.71 YoloV5 1386 45.7 Resnet50+YoloV5 695 68.21 由表3可知，本文提出的基于异常细胞快速检 由表4可知，表中7个单阶段模型的AP50平 测方法的双阶段模型(Double stage models)与仅用 均值为68.5%，7个双阶段模型的AP50平均值为 目标检测模型的单阶段模型(Single stage model)方 65%,本文提出的基于异常细胞快速检测方法的双 法相比，在一定程度上略微增加了模型参数量，但整 阶段模型与仅用目标检测模型的单阶段模型方法 体上模型平均推理时间减少了54%.这是因为图像 相比，评估指标AP50平均下降了3.5%，分析原因 分类模型的推理时间远小于目标检测模型的推理时 得这是因为异常细胞快速检测方法在第一阶段使 间.，所以先用图像分类模型滤除不含细胞簇的TCT 用图像分类网络时存在少量分类错误的情况，使 图像能够极大节省异常细胞检测模型的推理时间 得目标检测网络没有检测这些图片，出现“漏检” 同时为评估快速检测方法的识别精度性能， 现象.结合表2~4可知，本文提出的异常细胞快 本文针对仅用目标检测模型和本文的快速检测方 速检测方法在损失少量精度，略微增加模型复杂 法在识别精度性能上进行了实验，结果如表4所示 度的情况下，能够将检测模型推理时间减少54%. 表4模型识别精度对比实验 3.4结果分析 Table 4 Comparison experiment for model recognition accuracy 提的基于深度学习的宫颈癌异常细胞快速检 Single stage model AP50/9 Double stage models AP50/% 测方法的在测试集上部分的可视化结果如图4所 Faster RCNN 70.1 Resnet50+Faster RCNN 66.8 示，红色框为本文方法的识别结果，绿色框为真实 Cascade RCNN 69.2 Resnet50+Cascade RCNN 65.7 标注框，其中图4(a)和4(b)是正确识别结果示例， Libra RCNN 68.3 Resnet50+Libra RCNN 67.0 图4(c)和4(d)是错误识别结果示例.图4(c)错误 Tridentnet 65.7 Resnet50+Tridentnet 59.7 识别的原因为存在“过检”现象，即不仅仅将异常 Foveabox 67.3 Resnet50+Foveabox 61.9 细胞识别出，还将一些与异常细胞相似的正常细 ATSS 63.8 Resnet50+ATSS 63.5 胞识别为异常细胞，分析其原因可能是训练过程 YoloV5 75.3 Resnet50+YoloV5 70.1 中出现了过拟合现象.此外，图4(d)中错误识别的定数据集设计，在其他数据集上（如医学图像数据 集）的泛化能力不强. 由于区分局部区域是否含细 胞簇任务简单，Resnet 系列模型相较其它模型结构 简单，不易产生过拟合. 特异性 (True negative rate, TNR) 是衡量模型能否正确识别出不含细胞簇区域 能力的指标，而敏感性 (True positive rate, TPR) 则是 衡量模型能否正确识别出含细胞簇区域能力的指 标，经过分析，绝大多数模型的特异性指标高于敏感 性指标，这是因为含细胞簇图像特征复杂，难以学 习. 经过分析，Shufflenetv2 的推理耗时最小，其原因 在于它的模型参数量小，计算成本小，模型结构简 单，Efficientnet-b7 的推理耗时最大，因为其模型参 数量和计算成本最大，模型结构复杂. 综合各项评 估指标考虑，从对局部区域是否含有细胞簇的分类 任务来看，Resnet 系列模型优于其他当前主流模型. 3.3    目标检测实验 对完整的一张 TCT 图像经过“滑动交叠裁剪” 后获得的 11550 张 2000 像素×2000 像素的病理细 胞图像，输入到目标检测模型里进行推理时间对 比实验. 本文选取了当前主流的目标检测网络 模型进行实验 ，对比 了 Faster  RCNN[22]、 Cascade RCNN[39]、Libra RCNN[40]、Tridentnet[41]、Foveabox[42]、 ATSS[43]、YoloV5[44] 的实验结果，实验结果如表 3 所示. 表 3 模型推理时间对比实验 Table 3   Comparison experiment for model reasoning time Single stage model Time consumption/s Param/MB Double stage models Time consumption/s Param/MB Faster RCNN 2775 40.1 Resnet50+Faster RCNN 1089 62.61 Cascade RCNN 2877 65.9 Resnet50+Cascade RCNN 1178 88.41 Libra RCNN 3118 41.6 Resnet50+Libra RCNN 1496 64.11 Tridentnet 4469 33.1 Resnet50+Tridentnet 2106 55.61 Foveabox 2437 36.0 Resnet50+Foveabox 1189 58.51 ATSS 3014 31.2 Resnet50+ATSS 1450 53.71 YoloV5 1386 45.7 Resnet50+YoloV5 695 68.21 由表 3 可知，本文提出的基于异常细胞快速检 测方法的双阶段模型（Double stage models）与仅用 目标检测模型的单阶段模型（Single stage model）方 法相比，在一定程度上略微增加了模型参数量，但整 体上模型平均推理时间减少了 54%. 这是因为图像 分类模型的推理时间远小于目标检测模型的推理时 间，所以先用图像分类模型滤除不含细胞簇的 TCT 图像能够极大节省异常细胞检测模型的推理时间. 同时为评估快速检测方法的识别精度性能， 本文针对仅用目标检测模型和本文的快速检测方 法在识别精度性能上进行了实验，结果如表 4 所示. 表 4 模型识别精度对比实验 Table 4   Comparison experiment for model recognition accuracy Single stage model AP50/% Double stage models AP50/% Faster RCNN 70.1 Resnet50+Faster RCNN 66.8 Cascade RCNN 69.2 Resnet50+Cascade RCNN 65.7 Libra RCNN 68.3 Resnet50+Libra RCNN 67.0 Tridentnet 65.7 Resnet50+Tridentnet 59.7 Foveabox 67.3 Resnet50+Foveabox 61.9 ATSS 63.8 Resnet50+ATSS 63.5 YoloV5 75.3 Resnet50+YoloV5 70.1 由表 4 可知，表中 7 个单阶段模型的 AP50 平 均值为 68.5%，7 个双阶段模型的 AP50 平均值为 65%，本文提出的基于异常细胞快速检测方法的双 阶段模型与仅用目标检测模型的单阶段模型方法 相比，评估指标 AP50 平均下降了 3.5%，分析原因 得这是因为异常细胞快速检测方法在第一阶段使 用图像分类网络时存在少量分类错误的情况，使 得目标检测网络没有检测这些图片，出现“漏检” 现象. 结合表 2～4 可知，本文提出的异常细胞快 速检测方法在损失少量精度，略微增加模型复杂 度的情况下，能够将检测模型推理时间减少 54%. 3.4    结果分析 提的基于深度学习的宫颈癌异常细胞快速检 测方法的在测试集上部分的可视化结果如图 4 所 示，红色框为本文方法的识别结果，绿色框为真实 标注框，其中图 4（a）和 4（b）是正确识别结果示例， 图 4（c）和 4（d）是错误识别结果示例. 图 4（c）错误 识别的原因为存在“过检”现象，即不仅仅将异常 细胞识别出，还将一些与异常细胞相似的正常细 胞识别为异常细胞，分析其原因可能是训练过程 中出现了过拟合现象. 此外，图 4（d）中错误识别的 姚    超等： 基于深度学习的宫颈癌异常细胞快速检测方法 · 1145 ·