用于多类乳腺癌组织学图像分类的深度学习框架
计算机视觉与模式识别
2018-02-06 v1
摘要
在本工作中,我们提出了一个用于多类乳腺癌图像分类的深度学习框架,作为我们向国际图像分析与识别会议(ICIAR)2018 乳腺癌组织学图像(BACH)大挑战的提交。由于这些组织学图像过大而无法放入 GPU 内存,我们首先提出使用 Inception V3 进行块级分类。随后将块级预测通过一个包含多数投票、梯度提升机(GBM)和逻辑回归的集成融合框架,以获得图像级预测。我们通过设计双路径网络(DPN)作为特征提取器来提高 Normal 和 Benign 预测类的灵敏度,提取的特征进一步送入第二层使用 GBM、逻辑回归和支持向量机(SVM)的集成预测融合以精炼预测。实验结果表明,我们的框架相比 SOTA 模型有 12.5 的提升。
引用
@article{arxiv.1802.00931,
title = {Deep Learning Framework for Multi-class Breast Cancer Histology Image Classification},
author = {Yeeleng S. Vang and Zhen Chen and Xiaohui Xie},
journal= {arXiv preprint arXiv:1802.00931},
year = {2018}
}
备注
8 pages, 2 figures, 3 tables, ICIAR2018 workshop