胃组织病理学子图像分类的比较研究：从线性回归到视觉 Transformer
图像与视频处理
2022-05-26 v1 计算机视觉与模式识别
摘要
胃癌是全球第五大常见癌症。同时，它也是第四大致命癌症。癌症的早期发现可作为胃癌治疗的指导。如今，计算机技术快速发展，可辅助医生诊断胃癌的病理图像。集成学习是提高算法准确性的一种方式，而寻找具有互补类型的多个学习模型是集成学习的基础。本实验平台探讨了在机器性能不足时子尺寸病理图像分类器的互补性。我们在 GasHisSDB 数据库上选择七种经典机器学习分类器和四种深度学习分类器进行分类实验。其中，经典机器学习算法提取五种不同的图像虚拟特征以匹配多个分类器算法。对于深度学习，我们选择了三种卷积神经网络分类器。此外，我们还选择了一种基于 Transformer 的新型分类器。该实验平台执行了大量经典机器学习和深度学习方法，表明不同分类器在 GasHisSDB 上的性能存在差异。经典机器学习模型中存在对 Abnormal 类别分类非常好的分类器，同时也存在擅长分类 Normal 类别的分类器。深度学习模型也存在多个可互补的模型。在机器性能不足时，选择合适的分类器进行集成学习。该实验平台证明多个分类器确实具有互补性，并能提高集成学习的效率。这可以更好地辅助医生诊断，提高胃癌检出率，并提升治愈率。
引用
@article{arxiv.2205.12843,
title = {A Comparative Study of Gastric Histopathology Sub-size Image Classification: from Linear Regression to Visual Transformer},
author = {Weiming Hu and Haoyuan Chen and Wanli Liu and Xiaoyan Li and Hongzan Sun and Xinyu Huang and Marcin Grzegorzek and Chen Li},
journal= {arXiv preprint arXiv:2205.12843},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2106.02473