基于迁移学习的乳腺癌组织学图像分类
计算机视觉与模式识别
2018-02-27 v1
摘要
乳腺癌是导致女性死亡的主要原因之一。早期检测与治疗对于提高生存率至关重要，近年来由于更精密的计算机辅助诊断（CAD）系统，生存率已稳步提升。乳腺癌诊断的关键环节依赖于组织病理学，这是一个费力且高度主观的过程。因此，CAD系统对于减少评分者间差异并补充专家的分析必不可少。本文提出一种基于迁移学习的方法，用于将乳腺组织学图像分类为四种组织亚型，即正常、良性、原位癌和浸润性癌。作为BACH 2018大挑战一部分提供的组织学图像，首先经过归一化以校正载玻片制备过程中不一致所导致的颜色差异。随后，提取图像块并用于微调Google的Inception-V3和ResNet50卷积神经网络（CNN），二者均在ImageNet数据库上预训练，使它们能够学习领域特定特征，从而对所涉组织学图像进行分类。ResNet50网络（基于残差学习）在四分类上取得了97.50%的测试分类准确率，优于达到91.25%准确率的Inception-V3网络。
引用
@article{arxiv.1802.09424,
title = {Classification of breast cancer histology images using transfer learning},
author = {Sulaiman Vesal and Nishant Ravikumar and AmirAbbas Davari and Stephan Ellmann and Andreas Maier},
journal= {arXiv preprint arXiv:1802.09424},
year = {2018}
}
备注
8 pages, Submitted to 15th International Conference on Image Analysis and Recognition (ICAIR 2018)