利用基于相异度的多视图学习提升无需微调的迁移学习在乳腺癌组织学图像中的性能
计算机视觉与模式识别
2018-04-02 v1
摘要
乳腺癌是最常见的癌症类型之一，也是导致女性癌症相关死亡的主要原因。在 ICIAR 2018 乳腺癌组织学图像大挑战赛的背景下，我们比较了一个手工特征提取器和五个基于深度学习的迁移学习特征提取器。我们发现，在 ImageNet 上预训练的深度学习网络比常用于乳腺癌组织学图像的流行手工特征具有更好的性能。最佳特征提取器达到了 79.30% 的平均准确率。为了提高分类性能，使用了一种基于随机森林相异度的集成方法将不同的特征组结合在一起。当五个深度学习特征组结合时，平均准确率提高到 82.90%（最佳准确率 85.00%）。当手工特征与五个深度学习特征组结合时，平均准确率提高到 87.10%（最佳准确率 93.00%）。
引用
@article{arxiv.1803.11241,
title = {Improve the performance of transfer learning without fine-tuning using dissimilarity-based multi-view learning for breast cancer histology images},
author = {Hongliu Cao and Simon Bernard and Laurent Heutte and Robert Sabourin},
journal= {arXiv preprint arXiv:1803.11241},
year = {2018}
}