基于混合OLConvNet的组织病理学图像细胞核分类
计算机视觉与模式识别
2022-02-22 v1
摘要
用于癌症检测的计算机辅助组织病理学图像分析是医学领域的一项重大研究挑战。由于细胞核的异质性和数据集的可变性，用于癌症诊断的细胞核自动检测与分类在开发最先进算法时面临诸多挑战。近来，大量分类算法在其数据集上使用了复杂的深度学习模型。然而，这些方法大多僵化，其架构安排缺乏灵活性与可解释性。在本文中，我们提出了一种混合且灵活的深度学习架构OLConvNet，它通过使用一个名为的较浅卷积神经网络（CNN），将传统对象级特征的可解释性与深度学习特征的泛化能力相结合。通过训练更少的参数来减少训练时间，从而消除了深层算法带来的空间限制。我们使用F1-score和多类曲线下面积（AUC）性能参数来比较结果。为了进一步证实我们架构方法的可行性，我们将所提方法与最先进的深度学习架构AlexNet、VGG16、VGG19、ResNet50、InceptionV3和DenseNet121作为骨干网络进行了测试。在对所有四种架构的分类结果进行综合分析后，我们观察到所提模型表现良好，且优于当代复杂算法。
引用
@article{arxiv.2202.10177,
title = {Cell nuclei classification in histopathological images using hybrid OLConvNet},
author = {Suvidha Tripathi and Satish Kumar Singh},
journal= {arXiv preprint arXiv:2202.10177},
year = {2022}
}