基于深度学习方法的转移性癌症图像分类
图像与视频处理
2020-11-16 v1 计算机视觉与模式识别
摘要
利用组织病理学图像自动分类癌症是一项困难的任务，尤其对于从较大数字病理扫描中获取的小图像块中识别转移性癌症。计算机诊断技术已引起研究人员的广泛关注。在本文中，我们提出一种结合图像分类中的深度学习算法、DenseNet169 框架与 Rectified Adam 优化算法的新方法。DenseNet 的连接模式是从任意层到所有后续层的直接连接，可有效改善不同层之间的信息流。鉴于 RAdam 不易陷入局部最优解且能在模型训练中快速收敛。实验结果表明，我们的模型优于其他经典卷积神经网络方法，如 Vgg19、Resnet34、Resnet50。特别地，我们的 DenseNet169 模型的 Auc-Roc 分数比 Vgg19 模型高 1.77%，Accuracy 分数高 1.50%。此外，我们还研究了训练阶段与验证阶段中损失值与处理批次数之间的关系，并获得了一些重要且有趣的发现。
引用
@article{arxiv.2011.06984,
title = {Metastatic Cancer Image Classification Based On Deep Learning Method},
author = {Guanwen Qiu and Xiaobing Yu and Baolin Sun and Yunpeng Wang and Lipei Zhang},
journal= {arXiv preprint arXiv:2011.06984},
year = {2020}
}
备注
4 pages, 3 figures, 1 table, accepted by ICCECE