PCAおよびGWOによる強化された深層特徴選択を用いた頸部細胞分類

子宮頸がんは世界中の女性において最も深刻かつ一般的な疾患の一つである。早期に発見されれば完全に治癒可能な疾患であるが、検出プロセスが煩雑かつ高コストであるため、大規模な人口スクリーニングは現実的ではない。この課題を解決するため、本稿では深層学習（Deep Learning）と進化的最適化による特徴選択を活用した、完全自動化された細胞診画像分類フレームワークを提案する。本フレームワークは複数の畳み込みニューラルネットワーク（Convolutional Neural Network, CNN）モデルから深層特徴を抽出し、計算コストの低減と高速収束を実現するための二段階特徴削減手法を採用している。CNNモデルから抽出された特徴は高次元の特徴空間を形成するが、この空間の次元数は主成分分析（Principal Component Analysis, PCA）を用いて削減され、分散の99%を保持するように設計されている。さらに、進化的最適化アルゴリズムであるグレイ・ウルフ最適化（Grey Wolf Optimizer, GWO）を用いて、重複のない最適な特徴サブセットを抽出することで、分類性能を向上させている。最終的に、選択された特徴サブセットを用いてSVM分類器を訓練し、最終的な予測を生成する。本提案フレームワークは、Mendeley液性細胞診（4クラス）データセット、Herlev Papスメア（7クラス）データセット、SIPaKMeD Papスメア（5クラス）データセットの3つの公開ベンチマークデータセット上で評価され、それぞれ99.47%、98.32%、97.87%の分類精度を達成した。これにより、本手法の信頼性が裏付けられた。本研究で提案するアプローチの実装コードは以下のGitHubリポジトリで公開されている：https://github.com/DVLP-CMATERJU/Two-Step-Feature-Enhancement