Klassifikation zervikaler Zytologie mittels PCA und GWO-verbesserter Auswahl tiefer Merkmale

Zervikalkrebs ist weltweit eine der tödlichsten und häufigsten Erkrankungen bei Frauen. Er ist vollständig heilbar, wenn er in einem frühen Stadium diagnostiziert wird; die zeitaufwendige und kostspielige Detektionsprozedur macht jedoch eine flächendeckende Screening-Untersuchung nicht praktikabel. Um die Arbeit der Kliniker zu unterstützen, stellen wir in diesem Artikel einen vollständig automatisierten Ansatz vor, der Deep Learning sowie eine Merkmalsauswahl mittels evolutionärer Optimierung für die Klassifikation von Zytologiebildern nutzt. Der vorgeschlagene Rahmen extrahiert tiefe Merkmale aus mehreren Convolutional Neural Network (CNN)-Modellen und wendet einen zweistufigen Ansatz zur Merkmalsreduktion an, um die Berechnungskosten zu senken und eine schnellere Konvergenz zu gewährleisten. Die aus den CNN-Modellen extrahierten Merkmale bilden einen hochdimensionalen Merkmalsraum, dessen Dimension durch Hauptkomponentenanalyse (PCA) reduziert wird, wobei 99 % der Varianz beibehalten werden. Anschließend wird mittels eines evolutionären Optimierungsalgorithmus, des Grey Wolf Optimizers (GWO), eine redundanzfreie, optimale Merkmalsuntermenge aus diesem Raum ausgewählt, was die Klassifizierungsgenauigkeit verbessert. Schließlich wird die ausgewählte Merkmalsuntermenge verwendet, um einen SVM-Klassifikator zu trainieren, der die endgültigen Vorhersagen erzeugt. Der vorgeschlagene Ansatz wird an drei öffentlich verfügbaren Benchmark-Datensätzen evaluiert: dem Mendeley Liquid Based Cytology (4-Klassen)-Datensatz, dem Herlev Pap Smear (7-Klassen)-Datensatz und dem SIPaKMeD Pap Smear (5-Klassen)-Datensatz, wobei Klassifizierungsgenaugkeiten von jeweils 99,47 %, 98,32 % und 97,87 % erzielt werden. Diese Ergebnisse belegen die Zuverlässigkeit des vorgeschlagenen Ansatzes. Der zugehörige Quellcode ist unter folgender URL verfügbar: https://github.com/DVLP-CMATERJU/Two-Step-Feature-Enhancement