RCCNet：一种用于组织学常规结肠癌细胞核分类的高效卷积神经网络
计算机视觉与模式识别
2019-11-19 v3 人工智能
机器学习
机器学习
摘要
由于在组织医学图像分析领域的潜在应用，高效且精确地分类组织学细胞核至关重要。这将有助于医学从业者更好地理解和探索癌症治疗的各种因素。由于细胞的异质性，组织学细胞核的分类是一项具有挑战性的任务。本文提出一种基于高效卷积神经网络（CNN）的架构，用于组织学常规结肠癌细胞核分类，命名为 RCCNet。该网络的主要目标是使 CNN 模型尽可能简单。所提出的 RCCNet 模型仅包含 1,512,868 个可学习参数，与 AlexNet、CIFARVGG、GoogLeNet 和 WRN 等流行 CNN 模型相比显著更少。实验在公开可用的常规结肠癌组织学数据集“CRCHistoPhenotypes”上进行。所提 RCCNet 模型的结果在准确率、加权平均 F1 分数和训练时间方面与五种最先进的 CNN 模型进行比较。所提方法达到了 80.61% 的分类准确率和 0.7887 的加权平均 F1 分数。所提出的 RCCNet 在训练时间和数据过拟合方面分别具有更高的效率和泛化性。
引用
@article{arxiv.1810.02797,
title = {RCCNet: An Efficient Convolutional Neural Network for Histological Routine Colon Cancer Nuclei Classification},
author = {S H Shabbeer Basha and Soumen Ghosh and Kancharagunta Kishan Babu and Shiv Ram Dubey and Viswanath Pulabaigari and Snehasis Mukherjee},
journal= {arXiv preprint arXiv:1810.02797},
year = {2019}
}
备注
Published in ICARCV 2018