基于深度学习网络集成的组织病理活检图像分类
图像与视频处理
2019-09-27 v1 计算机视觉与模式识别
机器学习
摘要
乳腺癌是全球女性死亡的主要原因之一。此类癌症的早期诊断对治疗与患者护理至关重要。使用卷积神经网络(CNN)的计算机辅助检测(CAD)系统可辅助异常分类。本研究提出一种基于集成深度学习的方法，用于乳腺组织学图像的自动二分类。所提集成模型适配三种预训练 CNN，即 VGG19、MobileNet 和 DenseNet。该集成模型用于特征表示与提取步骤。提取的特征随后送入多层感知机分类器以执行分类任务。多种预处理与 CNN 调优技术，如染色归一化、数据增强、超参数调优和微调，被用于训练模型。所提方法在四个公开基准数据集上验证，即 ICIAR、BreakHis、PatchCamelyon 和 Bioimaging。所提多模型集成方法优于单一分类器与机器学习算法，在 BreakHis、ICIAR、PatchCamelyon 和 Bioimaging 数据集上的准确率分别为 98.13%、95.00%、94.64% 和 83.10%。
引用
@article{arxiv.1909.11870,
title = {Classification of Histopathological Biopsy Images Using Ensemble of Deep Learning Networks},
author = {Sara Hosseinzadeh Kassani and Peyman Hosseinzadeh Kassani and Michal J. Wesolowski and Kevin A. Schneider and Ralph Deters},
journal= {arXiv preprint arXiv:1909.11870},
year = {2019}
}