使用迁移学习的组织病理学图像自动分类
计算机视觉与模式识别
2019-11-22 v2
摘要
在组织病理学图像处理中，迫切需要自动化系统来提高诊断质量并减少分析时间。使用计算机辅助诊断系统对病理组织特征进行自动检测和分类是疾病早期诊断和治疗的关键步骤。一旦病理图像通过显微镜扫描并加载到计算机上，它就可以用于疾病的自动检测和分类。在本研究中，使用 DenseNet-161 和 ResNet-50 预训练 CNN 模型，通过迁移学习技术将数字组织病理学切片分类到相应的全视野数字切片中。所提出的预训练模型在灰度和彩色组织病理学图像上进行了测试。DenseNet-161 预训练模型在使用灰度图像时达到了 97.89% 的分类准确率，ResNet-50 模型在彩色图像上获得了 98.87% 的准确率。所提出的预训练模型在将数字病理切片分类为 24 个类别的所有性能指标上均优于 SOTA 方法。
引用
@article{arxiv.1903.10035,
title = {Automated Classification of Histopathology Images Using Transfer Learning},
author = {Muhammed Talo},
journal= {arXiv preprint arXiv:1903.10035},
year = {2019}
}