卷积神经网络维度变化对组织病理学癌症分类影响的分析
计算机视觉与模式识别
2022-01-04 v2 机器学习
摘要
卷积神经网络可根据具体任务设计不同复杂度的结构。本文分析了CNN架构的维度变化对其在组织病理学癌症分类任务上性能的影响。研究从一个具有(3×3)卷积滤波器的10层基线CNN模型开始。随后，从宽度、深度、分辨率以及三者组合等多个维度对基线架构进行缩放。宽度缩放指增加每层CNN的神经元数量，深度缩放指加深分层结构。分辨率缩放通过增大输入图像尺寸实现，复合缩放则是对宽度、深度和分辨率缩放的混合组合。结果表明，组织病理学癌症扫描图像本身非常复杂，因此需要向由大量卷积、最大池化、Dropout和批量归一化层构成的层级结构输入高分辨率图像，以提取所有细微特征并实现完美分类。由于对基线模型进行复合缩放可确保宽度、深度和分辨率三个维度同时缩放，因此复合缩放取得了最佳性能。本研究表明，在组织病理学癌症分类任务中，对基线模型进行复合缩放可获得更好的CNN模型性能。
引用
@article{arxiv.2011.04057,
title = {Analysis of Dimensional Influence of Convolutional Neural Networks for Histopathological Cancer Classification},
author = {Shreyas Rajesh Labhsetwar and Alistair Michael Baretto and Raj Sunil Salvi and Piyush Arvind Kolte and Veerasai Subramaniam Venkatesh},
journal= {arXiv preprint arXiv:2011.04057},
year = {2022}
}
备注
conference