基于深度学习的阴道微生态病理图像自动诊断

阴道微生态病理图像是诊断细菌性阴道病的重要依据，但对其人工分析需要花费大量时间精力，导致诊断效率不高，因此需要寻求针对病理图像的自动诊断新方法. 本文提出一种阴道微生态病理图像自动诊断模型ResLab，该模型以阴道微生态病理图像作为训练数据集，利用深度学习技术对病理图像进行端到端分析，预测Nugent评分，辅助医生进行分级诊断. 为提升模型预测的精确率，本文综合采用多种方法对模型加以改进，包括增加网络层数以提取更深特征，采用两个小卷积核叠加以增大感受野，减少ReLU激活层以降低复杂性，用最大池化层替换平均池化层以提取最显著特征.实验证明，各优化方案均能明显提升模型性能，ResLab模型预测精确率达到82.19%，超过VGG、GoogLeNet、ResNet等网络模型. 结果表明，ResLab模型能为医生提供较准确的参考结果，从而提高诊断效率，减少诊断误差.