深度迁移学习用于乳腺癌分类
计算机视觉与模式识别
2024-09-25 v1
摘要
乳腺癌是全球影响数百万女性的主要健康问题。对乳腺癌进行尽早且准确的分类对于有效的治疗和提高患者预后至关重要。深度迁移学习已成为通过利用预训练模型并在相关任务之间转移知识来提高乳腺癌分类的有前景的技术。本研究检验了使用 VGG、Vision Transformers (ViT) 和 Resnet 对乳腺癌肿瘤 (IDC) 图像进行分类，并对算法进行比较分析。结果显示，Resnet-34 在分类癌症图像方面具有 90.40% 的准确率优势。然而，预训练的 VGG-16 在 F1 分数上更高，因为需要更新的参数更少。我们认为，乳腺癌诊断领域将从深度迁移学习的应用中获得巨大益处。迁移学习可能通过允许使用较少数据训练深度学习模型来提高乳腺癌筛查的准确性和可及性。
引用
@article{arxiv.2409.15313,
title = {Deep Transfer Learning for Breast Cancer Classification},
author = {Prudence Djagba and J. K. Buwa Mbouobda},
journal= {arXiv preprint arXiv:2409.15313},
year = {2024}
}