基于深度学习的乳腺癌组织学图像分类
计算机视觉与模式识别
2018-07-26 v2
摘要
乳腺癌是全球女性死亡的主要原因之一。活检得到的苏木精-伊红(H&E)染色乳腺组织样本在显微镜下观察以进行乳腺癌的初步诊断。本文中，我们提出了一种基于深度学习的方法，通过对 Szegedy 等人提出的 Inception-v3 卷积神经网络(CNN) 进行微调，对 BACH 2018 挑战赛发布的 H&E 染色乳腺组织图像进行分类。这些图像需分为四类：i) 正常组织，ii) 良性肿瘤，iii) 原位癌，iv) 浸润性癌。我们的策略是根据细胞核密度而非随机或网格采样来提取图像块，并剔除细胞核不丰富（非上皮）区域的图像块用于训练和测试。图像中每个图像块（细胞核密集区域）被归入上述四类之一。整幅图像的类别通过对核类别进行多数投票确定。我们取得了 85% 的平均四类准确率和 93% 的平均两类（非癌 vs. 癌）准确率，优于 Araujo 等人之前的基准结果。
引用
@article{arxiv.1802.08080,
title = {Classification of Breast Cancer Histology using Deep Learning},
author = {Aditya Golatkar and Deepak Anand and Amit Sethi},
journal= {arXiv preprint arXiv:1802.08080},
year = {2018}
}
备注
8 pages. Published at ICIAR 2018, Portugal