基于 DenseNet 模型的癌症图像分类
计算机视觉与模式识别
2020-12-30 v1 应用统计
机器学习
摘要
计算机辅助诊断建立了基于医学影像检查的稳健评估方法。图像处理引入了一种有前景的策略，以促进疾病分类与检测，同时减少不必要的开销。在本文中，我们提出了一种基于 DenseNet Block 的转移性癌症图像分类新模型，该模型可有效识别从较大数字病理扫描中截取的小图像块中的转移性癌症。我们在稍作修改的 PatchCamelyon（PCam）基准数据集上评估了所提方法。该数据集是由 Kaggle 竞赛提供的 PatchCamelyon（PCam）基准数据集的稍作修改版本，其将转移检测这一临床相关任务封装为一个直接的二值图像分类任务。实验表明，我们的模型优于 Resnet34、Vgg19 等其他经典方法。此外，我们还进行了数据增强实验，并研究了训练与验证过程中处理的批次数与损失值之间的关系。
引用
@article{arxiv.2011.11186,
title = {Cancer image classification based on DenseNet model},
author = {Ziliang Zhong and Muhang Zheng and Huafeng Mai and Jianan Zhao and Xinyi Liu},
journal= {arXiv preprint arXiv:2011.11186},
year = {2020}
}