GroupMixer：基于图像块的组卷积神经网络用于组织病理学图像乳腺癌检测
图像与视频处理
2023-11-17 v1 计算机视觉与模式识别
机器学习
摘要
在早期阶段诊断乳腺癌恶性程度是控制其副作用的关键步骤。组织病理学分析为恶性乳腺癌检测提供了独特的机会。然而，对于组织病理学家而言，此类任务繁琐且耗时。深度神经网络使我们能够直接从原始组织病理学图像中学习信息丰富的特征，而无需手动特征提取。尽管卷积神经网络（CNNs）一直是计算机视觉领域的主导架构，但基于Transformer的架构已在不同的计算机视觉任务中展现出有前景的结果。尽管将基于Transformer的架构用于医学图像分析看似有趣，但这些架构规模大、具有大量可训练参数，并且需要大规模数据集进行训练，而这类数据集在医学领域通常较为稀缺。已有论断并经实证证明，基于Transformer的架构在计算机视觉领域部分优越性能源于图像块嵌入（patch embedding）操作。本文借鉴先前提出的将全卷积神经网络架构与图像块嵌入操作相集成的思路，提出了一种高效的CNN架构，用于从组织病理学图像中检测乳腺癌恶性程度。尽管参数数量显著少于其他方法，该架构在40x、100x、200x和400x放大倍数下的准确率分别达到97.65%、98.92%、99.21%和98.01%。我们进一步利用组卷积（Group Convolution）和通道混洗（Channel Shuffling）思想对架构进行修改，进一步减少了可训练参数数量，且性能下降可忽略不计，在上述放大倍数下的准确率分别达到95.42%、98.16%、96.05%和97.92%。
引用
@article{arxiv.2311.09846,
title = {GroupMixer: Patch-based Group Convolutional Neural Network for Breast Cancer Detection from Histopathological Images},
author = {Ardavan Modarres and Erfan Ebrahim Esfahani and Mahsa Bahrami},
journal= {arXiv preprint arXiv:2311.09846},
year = {2023}
}