一种端到端的宫颈细胞分类集成框架

本发明公开了一种端到端的宫颈细胞分类集成框架。主要包含四个模块：增强模块，对原始数据集进行扩充和预处理；融合模块，在数据集上训练改进的初级学习器并融合输出生成新数据集；提纯模块，提纯新数据集得到初级学习器的集成结果并保留误分类的样本；复学模块，使用次级学习器再学习并用于最终的分类。此外，在初级学习器和次级学习器的训练阶段提出了一种自适应的数据增强方法。本发明通过逐阶段的细粒度优化，解决了现有宫颈细胞数据集类别分布不均衡和数量稀少的问题，同时通过集成框架重点学习易混淆的图像特征显著提升分类精度。实验表明，本方法能够有效地辅助宫颈癌筛查，大大降低病理学医生的工作负担，有很好的应用价值，社会效益巨大。