手工特征与深度特征集成：常规结肠癌组织病理学细胞核图像分类的分析研究
计算机视觉与模式识别
2022-02-23 v1
摘要
基于深度学习（DL）的方法在医学组织病理学图像中已成为分类、分割和检测病变活检样本最受青睐的解决方案之一。然而，由于医学数据集存在类内变异和异质性而具有复杂性，使用复杂DL模型可能无法达到适合辅助病理学家的优化性能。因此，具有包含领域无关手工特征（HC-F）潜力的DL集成方法催生了本工作。我们通过实验试图强调，单一DL网络（领域特定或最先进的预训练模型）不能在未对相关数据集进行恰当分析的情况下直接用作基模型。我们使用F1-measure、精确率、召回率、AUC和交叉熵损失来分析我们所提方法的性能。我们从结果中观察到，DL特征集成显著改善了模型的整体性能，而领域无关的HC-F对DL模型的性能影响甚微。
引用
@article{arxiv.2202.10694,
title = {Ensembling Handcrafted Features with Deep Features: An Analytical Study for Classification of Routine Colon Cancer Histopathological Nuclei Images},
author = {Suvidha Tripathi and Satish Kumar Singh},
journal= {arXiv preprint arXiv:2202.10694},
year = {2022}
}