基于二维卷积神经网络的乳腺癌诊断分类
计算机视觉与模式识别
2024-02-12 v2
摘要
乳腺癌是女性中最常见的癌症。利用临床记录对癌症/非癌症患者进行分类，需要高灵敏度与高特异性方可作为可接受的诊断检测。当前最先进的分类模型——卷积神经网络（CNN）却无法用于以一维格式表示的临床数据。CNN 被设计用于处理一组二维矩阵，其元素与相邻元素表现出某种相关性，例如图像数据中的情形。相反，表示为一组一维向量的数据样本——除时间序列数据外——无法用于 CNN，而只能使用其他分类模型如人工神经网络或随机森林。我们提出了一些新颖的数据整理预处理方法，将一维数据向量转换为具有适当字段间相关性的二维图形图像，以便在 CNN 上处理。我们在威斯康星原始乳腺癌（WBC）与威斯康星诊断乳腺癌（WDBC）数据集上测试了我们的方法。据我们所知，这项关于非图像到图像数据转换（针对非时间序列数据）的工作是新颖的。经 VGGnet-16 处理的转换数据在 WBC 数据集上展现出有竞争力的结果，并在 WDBC 数据集上优于其他已知方法。
引用
@article{arxiv.2007.03218,
title = {Classification with 2-D Convolutional Neural Networks for breast cancer diagnosis},
author = {Anuraganand Sharma and Dinesh Kumar},
journal= {arXiv preprint arXiv:2007.03218},
year = {2024}
}
备注
26 pages - preprint version