使用Havrda-Charvat熵的深度学习用于肺内显微镜图像分类
计算机视觉与模式识别
2021-04-20 v3 机器学习
摘要
肺光学内显微镜（POE）是一种实时成像技术，可在微观层面观察肺泡。在临床环境中获取的POE图像序列中，多达25%的序列帧为无信息帧（即纯噪声与运动伪影）。为后续数据分析，必须先从序列中去除这些无信息帧。因此，我们的工作目标是开发一种肺内显微镜图像中无信息图像的自动检测方法。我们将该检测问题视为分类问题。考虑到深度学习方法的优势，设计了一种基于CNN（卷积神经网络）的分类器，其新的损失函数基于Havrda-Charvat熵——它是Shannon熵的参数化推广。我们提出使用此公式以更好地掌控各类数据，因其提供的模型比Shannon熵更稳定。我们的方法在一个包含2947张不同图像的POE数据集上测试，结果显示优于使用Shannon熵，且在过拟合问题上表现更好。关键词：深度学习，CNN，Shannon熵，Havrda-Charvat熵，肺光学内显微镜。
引用
@article{arxiv.2104.05450,
title = {Deep learning using Havrda-Charvat entropy for classification of pulmonary endomicroscopy},
author = {Thibaud Brochet and Jerome Lapuyade-Lahorgue and Sebastien Bougleux and Mathieu Salaun and Su Ruan},
journal= {arXiv preprint arXiv:2104.05450},
year = {2021}
}
备注
8 pages, 7 figures