基于迁移学习与全局池化的乳腺癌诊断
图像与视频处理
2019-09-27 v1 计算机视觉与模式识别
机器学习
摘要
乳腺癌是全球女性癌症相关死亡的最常见原因之一。乳腺癌的早期准确诊断可显著提高患者生存率。在本研究中，我们旨在开发一种全自动的、基于深度学习的方法，利用深度卷积神经网络（DCNN）模型提取的描述符特征与池化操作，对作为国际图像分析与识别会议（ICIAR）2018乳腺癌组织学（BACH）图像大挑战一部分提供的苏木精和伊红染色（H&E）组织学乳腺癌图像进行分类。应用不同的数据增强方法以优化DCNN性能。我们还研究了不同染色归一化方法作为预处理步骤的有效性。所提出的采用预训练Xception模型的网络架构取得了92.50%的平均分类准确率。
引用
@article{arxiv.1909.11839,
title = {Breast Cancer Diagnosis with Transfer Learning and Global Pooling},
author = {Sara Hosseinzadeh Kassani and Peyman Hosseinzadeh Kassani and Michal J. Wesolowski and Kevin A. Schneider and Ralph Deters},
journal= {arXiv preprint arXiv:1909.11839},
year = {2019}
}