结合DRDA-Net与MobileNet的轻量级深度学习乳腺癌分类流水线

Mahdie Ahmadi; Nader Karimi; Shadrokh Samavi

结合DRDA-Net与MobileNet的轻量级深度学习乳腺癌分类流水线

图像与视频处理 2024-03-19 v1 计算机视觉与模式识别

作者: Mahdie Ahmadi , Nader Karimi , Shadrokh Samavi

摘要

准确且早期发现乳腺癌对于成功治疗至关重要。本文介绍了一种新的深度学习方法，用于改进组织病理学图像中的乳腺癌分类，这是诊断中的关键步骤。我们的方法以Dense Residual Dual-Shuffle Attention Network (DRDA-Net)为核心，其灵感来自ShuffleNet的高效架构。DRDA-Net在乳腺癌组织病理学分析基准BreaKHis数据集上，于多种放大倍数下均实现了卓越的准确率。然而，对于实际部署而言，计算效率至关重要。为了解决计算问题，我们集成了以其轻量级设计而闻名的预训练MobileNet模型。MobileNet确保即使在资源有限的设备上也能快速执行，且不牺牲性能。这种组合方法为准确的乳腺癌诊断提供了一种有前景的解决方案，为更快、更易获得的筛查程序铺平了道路。

关键词

乳腺癌分类组织病理学图像深度学习 DRDA-Net MobileNet

引用

@article{arxiv.2403.11135,
  title  = {A lightweight deep learning pipeline with DRDA-Net and MobileNet for breast cancer classification},
  author = {Mahdie Ahmadi and Nader Karimi and Shadrokh Samavi},
  journal= {arXiv preprint arXiv:2403.11135},
  year   = {2024}
}

备注

4 pages, 3 figures

结合DRDA-Net与MobileNet的轻量级深度学习乳腺癌分类流水线

摘要

关键词

引用

备注

相关论文