一种基于ENAS的从超声图像构建乳腺癌识别深度学习模型的方法
图像与视频处理
2020-05-29 v1 计算机视觉与模式识别
机器学习
摘要
深度卷积神经网络(CNN)为图像模式识别提供了一种“端到端”的解决方案,在包括医学影像在内的许多应用领域均表现出令人印象深刻的性能。大多数高性能CNN模型使用手工设计的网络架构,需要CNN方面的专业知识才能发挥其潜力。在本文中,我们应用高效神经架构搜索(Efficient Neural Architecture Search, ENAS)方法来寻找用于从超声(US)图像分类乳腺病变的最优CNN架构。我们使用包含524张超声图像的数据集进行的实证研究表明,通过ENAS生成的最优模型达到了89.3%的平均准确率,超越了其他手工设计的替代方案。此外,这些模型在复杂度上更简单且更高效。我们的研究证明,采用ENAS方法进行CNN模型设计是分类乳腺病变超声图像的一个有前景的方向。
引用
@article{arxiv.2005.13695,
title = {An ENAS Based Approach for Constructing Deep Learning Models for Breast Cancer Recognition from Ultrasound Images},
author = {Mohammed Ahmed and Hongbo Du and Alaa AlZoubi},
journal= {arXiv preprint arXiv:2005.13695},
year = {2020}
}
备注
6 pages, 3 figures, Conference: Medical Imaging with Deep Learning 2020