基于深度特征与梯度提升方法集成的组织病理学图像乳腺肿瘤分类
图像与视频处理
2024-10-28 v1 计算机视觉与模式识别
摘要
乳腺癌是全球女性中最常见的癌症。乳腺癌的早期诊断可显著提高治疗效率。计算机辅助诊断（CAD）系统因其可靠性、准确性与经济性而被广泛采用。乳腺癌诊断有不同成像技术；本文使用的是其中最准确的技术之一——组织病理学。深度特征迁移学习作为所提出 CAD 系统特征提取器的主要思路。尽管本研究测试了 16 种不同的预训练网络，我们的主要焦点在分类阶段。Inception-ResNet-v2 同时兼具残差网络与 inception 网络的优势，在所有被测 CNN 中对乳腺癌组织病理学图像展现出最佳特征提取能力。在分类阶段，CatBoost、XGBoost 与 LightGBM 的集成提供了最佳平均准确率。使用 BreakHis 数据集评估所提方法。BreakHis 包含 7909 张组织病理学图像（2480 张良性、5429 张恶性），具有四种放大倍数。所提方法（IRv2-CXL）以 BreakHis 数据集的 70% 作为训练数据，在 40x、100x、200x 与 400x 放大倍数下的准确率分别为 96.82%、95.84%、97.01% 与 96.15%。多数自动化乳腺癌检测研究聚焦于特征提取，这使我们关注分类阶段。IRv2-CXL 由于采用软投票集成方法，能结合 CatBoost、XGBoost 与 LightGBM 的优势，在所有放大倍数下均展现出更优或可比的结果。
引用
@article{arxiv.2209.01380,
title = {Classification of Breast Tumours Based on Histopathology Images Using Deep Features and Ensemble of Gradient Boosting Methods},
author = {Mohammad Reza Abbasniya and Sayed Ali Sheikholeslamzadeh and Hamid Nasiri and Samaneh Emami},
journal= {arXiv preprint arXiv:2209.01380},
year = {2024}
}
备注
This work has been submitted to the Computers and Electrical Engineering journal (Elsevier) for possible publication