用于乳腺癌分类的深度学习：增强正切函数
图像与视频处理
2021-08-11 v1 计算机视觉与模式识别
神经与进化计算
摘要
背景与目的：最近，使用卷积神经网络的深度学习已被成功用于准确分类乳腺癌细胞图像。然而，这些组织病理学图像的人工分类准确率相对较低。本研究旨在通过利用分块分类器与深度学习架构来提高乳腺癌图像分类的准确率。方法：所提出的系统由深度卷积神经网络组成，有助于增强和提高分类过程的准确率。这是通过使用分块分类器实现的。CNN 具有完全不同的层，其中图像首先通过使用双曲正切函数的卷积层以及最大池化层、dropout 层和用于分类的 SoftMax 函数进行馈送。此外，获得的输出被馈送至一个分块分类器，该分类器由逐块分类输出及随后的多数投票组成。结果：结果是在分类阶段针对从乳腺组织学数据集收集的乳腺癌图像获得的。无论图像是否具有正常、良性、原位癌还是浸润性癌，所提出的解决方案均将分类准确率从 87% 提高到了 94%，同时处理时间平均从 0.45 秒减少到了 0.2 秒。结论：所提出的解决方案侧重于通过增强图像对比度和减少梯度消失来提高乳腺癌分类的准确率。最后，这一通过实现对比度受限自适应直方图均衡化（CLAHE）技术和修正正切函数的解决方案有助于提高准确率。
引用
@article{arxiv.2108.04663,
title = {Deep Learning for Breast Cancer Classification: Enhanced Tangent Function},
author = {Ashu Thapa and Abeer Alsadoon and P. W. C. Prasad and Simi Bajaj and Omar Hisham Alsadoon and Tarik A. Rashid and Rasha S. Ali and Oday D. Jerew},
journal= {arXiv preprint arXiv:2108.04663},
year = {2021}
}
备注
19