颜色分类leetcode cervical cancer detection:用于宫颈癌检测的深度学习框架

颜色分类leetcode深度宫颈癌：使用深度学习进行宫颈癌分类概述SIPakMed数据集上宫颈癌分类的深度学习框架，可提高PAP涂片检查评估和癌症预后的准确性。

简要作为ETH项目的一部分，基于来自PAP测试涂片的细胞显微图像开发了用于宫颈癌检测和分类的深度学习框架。该项目的目的是为医生提供一个有用的工具，以快速检测患者是否已经发展或有发展为宫颈癌的危险。简单地说，它构成了女性患者宫颈癌检测和预后的快速工具。

数据集：该模型将在Pap涂片图像中的正常和病理宫颈细胞的基于特征和图像的分类的新数据集上进行训练。该数据集由996张巴氏涂片（全片图像）的簇细胞图像组成，有5个宫颈细胞分类类别：

a) 角化不良

b) Koilocytotic

c) 化生性

d) 副基底层

e) 浅中级

总体而言，该项目侧重于基于整个幻灯片显微细胞图像（不仅仅是裁剪的细胞图像，而是整个幻灯片）的5类分类程序。