CellLineNet：基于卷积神经网络的上皮乳腺细胞系多分类端到端学习与迁移学习
计算机视觉与模式识别
2018-08-21 v1
摘要
用于分析和分类细胞与组织的计算机视觉通常要求严格的实验室流程，因此自动化计算机视觉方案备受寻求。该领域多数工作通常需要在通过机器学习与机器视觉算法分析特征之前进行特征提取。我们开发了一种卷积神经网络，可对5种上皮乳腺细胞系进行分类，包括两株人类癌症细胞系、2株正常永生化细胞系和1株永生化小鼠细胞系(MDA-MB-468、MCF7、10A、12A和HC11)，且无需特征提取。该多类细胞系分类卷积神经网络扩展了我们早期关于二分类乳腺癌细胞系分类模型的工作。CellLineNet是一个31层卷积神经网络，在3252张5种上皮乳腺细胞系(MDA-MB-468、MCF7、10A、12A和HC11)图像数据集上以端到端方式训练、验证和测试。端到端学习使CellLineNet能够从图像数据集中自主识别并学习对乳腺癌细胞系分类最为重要的视觉特征与规律。利用迁移学习，具有ImageNet预训练权重的28层MobileNet卷积神经网络架构被扩展并微调至多类上皮乳腺细胞系分类问题。CellLineNet仅需以成像细胞系作为输入，即可输出乳腺上皮细胞系类型(MDA-MB-468、MCF7、10A、12A或HC11)作为5类的预测概率。CellLineNet取得了96.67%的准确率。
引用
@article{arxiv.1808.06041,
title = {CellLineNet: End-to-End Learning and Transfer Learning For Multiclass Epithelial Breast cell Line Classification via a Convolutional Neural Network},
author = {Darlington Ahiale Akogo and Vincent Appiah and Xavier-Lewis Palmer},
journal= {arXiv preprint arXiv:1808.06041},
year = {2018}
}