深度学习与传统机器学习技术用于巴氏涂片图像分类的比较
图像与视频处理
2020-09-15 v1
摘要
本文给出一项关于使用 Herlev 数据集的巴氏涂片图像、通过机器与深度学习技术对正常与异常宫颈细胞进行分类的综合研究及结果。该数据集包含 917 张图像和 7 个不同类别。本研究所有技术均利用 Google Colab 平台，在 TensorFlow 内使用 scikit-learn 与 Keras 库建模。在第一项研究中，使用逻辑回归、k-Nearest Neighbors（kNN）、Support Vector Machine（SVM）、决策树、随机森林和 eXtreme Gradient Boosting（XGBoost）等传统机器学习方法，并相互比较以对正常与异常宫颈细胞进行二分类。其中 XGBoost 与 kNN 分类器表现更优，准确率达 85%。在第二项研究中，基于卷积神经网络（CNN）的深度学习模型用于同一数据集。相应地，训练集与测试集准确率分别达 99% 与 93%。该模型耗时 20 分钟计算时间、经 50 个 epoch 获得上述准确率。
引用
@article{arxiv.2009.06366,
title = {Comparison of Deep Learning and Traditional Machine Learning Techniques for Classification of Pap Smear Images},
author = {Abdurrahim Yilmaz and Ali Anil Demircali and Sena Kocaman and Huseyin Uvet},
journal= {arXiv preprint arXiv:2009.06366},
year = {2020}
}
备注
4 pages, 1 figures