迁移学习与集成学习在乳腺组织病理学图像级分类中的应用
计算机视觉与模式识别
2022-05-11 v2 机器学习
摘要
背景：乳腺癌在全球女性中患病率最高。乳腺癌及其组织病理学图像的分类与诊断一直是临床关注的热点。在计算机辅助诊断（CAD）中，传统分类模型多使用单一网络提取特征，存在显著局限性。另一方面，许多网络在患者级数据集上训练与优化，忽视了更低层级数据标签的应用。方法：本文提出一种基于图像级标签的深度集成模型，用于乳腺组织病理学图像良恶性病变的二分类。首先，将 BreaKHis 数据集随机划分为训练集、验证集与测试集。随后，使用数据增强技术平衡良性与恶性样本数量。第三，考虑到迁移学习的性能及各网络间的互补性，选取 VGG16、Xception、ResNet50、DenseNet201 作为基分类器。结果：在以准确率为权重的集成网络模型中，图像级二分类达到了 的准确率。为验证方法能力，最新的 Transformer 与多层感知机（MLP）模型在同一数据集上进行了实验比较。我们的模型以 的优势胜出，彰显了集成模型在分类任务中的深远意义。结论：本研究聚焦于通过集成算法提升模型分类性能。迁移学习在小数据集中起着关键作用，提升了训练速度与准确率。我们的模型在准确率上已超越许多现有方法，为辅助医疗诊断领域提供了一种方法。
引用
@article{arxiv.2204.08311,
title = {Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology},
author = {Yuchao Zheng and Chen Li and Xiaomin Zhou and Haoyuan Chen and Hao Xu and Yixin Li and Haiqing Zhang and Xiaoyan Li and Hongzan Sun and Xinyu Huang and Marcin Grzegorzek},
journal= {arXiv preprint arXiv:2204.08311},
year = {2022}
}