- · 《自动化与仪器仪表》栏[05/29]
- · 《自动化与仪器仪表》数[05/29]
- · 《自动化与仪器仪表》收[05/29]
- · 《自动化与仪器仪表》投[05/29]
- · 《自动化与仪器仪表》征[05/29]
- · 《自动化与仪器仪表》刊[05/29]
基于的宫颈细胞识别系统(3)
作者:网站采编关键词:
摘要:图6 检测结果 综上得到了无病变风险的宫颈细胞的识别率为90%,存在病变风险的宫颈细胞图像识别的准确率为87%。该结果表明基于YOLOv3 算法对于识别宫颈
图6 检测结果
综上得到了无病变风险的宫颈细胞的识别率为90%,存在病变风险的宫颈细胞图像识别的准确率为87%。该结果表明基于YOLOv3 算法对于识别宫颈细胞是否发生病变具有一定的可行性。
4 结束语
该文通过对目前宫颈癌的现状进行分析,结合自动化技术以及深度学习技术,实现了基于YOLOv3的宫颈细胞识别系统的设计,文中重点介绍了识别系统各结构组成,并对各个模块的实现原理进行了介绍。最后经过对宫颈细胞图像的测试,证明了该系统基本上能够满足对于宫颈细胞自动化取样并识别的需求,并且能为医生在判断患者是否需要进一步检查上提供辅助,具有一定的可靠性和实用性。
[1]庄重.基于改进ResNet 网络的宫颈癌细胞识别[D].北京:北京交通大学,2019.
[2]周佳琳.基于改进SSD网络的宫颈细胞分类检测系统[D].北京:北京交通大学,2019.
[3]郑欣,田博,李晶晶.基于YOLO模型的宫颈细胞簇团智能识别方法[J].液晶与显示,2018,33(11):965-971.
[4]刘喜增.基于RS485的多点传感器采集系统设计[D].湘潭:湘潭大学,2017.
[5]杨卫平.CRC 计算实现方法[J].电子技术与软件工程,2018(9):158-159.
[6]李朝伟,李晓东.注射泵一般原理和故障处理[J].医疗装备,2007,20(3):54-55.
[7]林健巍.YOLO 图像检测技术综述[J].福建电脑,2019,35(9):80-83.
[8]王楠.基于深度学习的舰船检测识别[D].哈尔滨:哈尔滨工业大学,2019.
[9]端辉.基于YOLO 的多尺度快速行人检测算法研究与应用[D].大连:大连理工大学,2019.
[10]徐传运.宫颈细胞学涂片自动判读方法研究[D].重庆:重庆大学,2014.
[11]Lin T Y,Goyal P,Girshick R,et,al.Focal loss for dense object detection[C].IEEE International Conference on Computer Vision,2017:2999-3007.
[12]陆春宇.基于多尺度特征融合卷积神经网络的宫颈癌细胞检测与识别[D].哈尔滨:哈尔滨理工大学,2019.
[13]张金.基于深度学习的肺结节识别与检测研究[D].重庆:西南大学,2018.
[14]韩颖.团簇宫颈细胞图像中细胞核分割与分类算法研究[D].天津:天津理工大学,2019.
[15]于月娜.宫颈细胞图像分割和特征提取算法研究[D].湘潭:湘潭大学,2019.
[16]阮激扬.基于YOLO的目标检测算法设计与实现[D].北京:北京邮电大学,2019.
文章来源:《自动化与仪器仪表》 网址: http://www.zdhyyqybzz.cn/qikandaodu/2021/0718/847.html