摘要

宫颈癌是全球女性中最致命且最常见的疾病之一。若能在早期阶段确诊，该病完全可治愈；然而，当前检测流程繁琐且成本高昂，难以实现大规模人群筛查。为辅助临床医生的工作，本文提出一种完全自动化的框架，结合深度学习与基于进化优化的特征选择方法，用于宫颈细胞学图像分类。该框架从多个卷积神经网络（Convolutional Neural Network, CNN）模型中提取深度特征，并采用两步式特征降维策略，以降低计算成本并加速收敛。首先，利用主成分分析（Principal Component Analysis, PCA）对CNN提取的高维特征空间进行降维，同时保留99%的方差信息；随后，采用一种进化优化算法——灰狼优化器（Grey Wolf Optimizer, GWO），从降维后的特征空间中筛选出非冗余且最优的特征子集，从而进一步提升分类性能。最终，使用选定的特征子集训练支持向量机（SVM）分类器，生成最终预测结果。本文所提出的框架在三个公开的基准数据集上进行了评估：Mendeley液基细胞学（4类）数据集、Herlev宫颈涂片（7类）数据集以及SIPaKMeD宫颈涂片（5类）数据集，分别取得了99.47%、98.32%和97.87%的分类准确率，充分验证了该方法的可靠性与有效性。相关代码已开源，可访问：https://github.com/DVLP-CMATERJU/Two-Step-Feature-Enhancement