利用多尺度EfficientNets深度迁移学习进行髓母细胞瘤肿瘤分类
图像与视频处理
2021-09-14 v1 计算机视觉与模式识别
摘要
髓母细胞瘤（MB）是儿童中最常见的恶性脑肿瘤。诊断通常基于组织病理学组织切片的显微镜评估。然而，仅依靠视觉评估组织病理学模式是一项繁琐且耗时的任务，并且还受观察者变异性的影响。因此，自动化的MB肿瘤分类可通过促进一致性和稳健量化来辅助病理学家。最近，卷积神经网络（CNNs）已被提出用于此任务，而迁移学习已显示出有前景的结果。在这项工作中，我们提出端到端的MB肿瘤分类，并探索具有不同输入尺寸及匹配网络维度的迁移学习。我们专注于区分组织学亚型经典型和促纤维增生型/结节型。为此，我们系统地评估了最近提出的EfficientNets，其统一缩放CNN的所有维度。使用包含161例的数据集，我们证明与常用预训练CNN架构相比，具有更大输入分辨率的预训练EfficientNets带来显著的性能提升。同时，我们强调了在使用此类大型架构时迁移学习的重要性。总体而言，我们性能最佳的方法达到了80.1%的F1分数。
引用
@article{arxiv.2109.05025,
title = {Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets},
author = {Marcel Bengs and Michael Bockmayr and Ulrich Schüller and Alexander Schlaefer},
journal= {arXiv preprint arXiv:2109.05025},
year = {2021}
}
备注
Accepted at SPIE Medical Imaging 2021 https://www.spiedigitallibrary.org/conference-proceedings-of-spie/11603/116030D/Medulloblastoma-tumor-classification-using-deep-transfer-learning-with-multi-scale/10.1117/12.2580717.full?SSO=1