组织病理学图像中精简深度卷积激活特征(R-DeCAF)以提升乳腺癌诊断分类性能
计算机视觉与模式识别
2023-08-15 v1 人工智能
摘要
乳腺癌是全球女性中第二常见的癌症。病理学家对乳腺癌的诊断是耗时且主观的过程。计算机辅助诊断框架被用于通过自动分类数据来减轻病理学家工作负担，其中深度卷积神经网络(CNN)是有效方案。从预训练 CNN 激活层提取的特征称为深度卷积激活特征(DeCAF)。本文中，我们分析得出并非所有 DeCAF 特征都必然带来分类任务中更高的准确率，降维起着重要作用。因此，应用不同降维方法，通过捕捉 DeCAF 特征的实质来实现特征的有效组合。为此，我们提出了精简深度卷积激活特征(R-DeCAF)。在该框架中，预训练 CNN 如 AlexNet、VGG-16 与 VGG-19 以迁移学习模式用作特征提取器。DeCAF 特征从上述 CNN 的第一个全连接层提取，并使用支持向量机进行二分类。在线性与非线性降维算法中，线性方法如主成分分析(PCA)在深度特征间表现出更好的组合，并在使用少量特征且考虑特定累积解释方差(CEV)时带来更高的分类准确率。所提方法使用实验性 BreakHis 数据集验证。综合结果显示分类准确率提升达 4.3% 且计算时间更短。最佳准确率为 91.13%，对应于 400x 数据、特征向量大小(FVS)为 23、CEV 等于 0.15，使用预训练 AlexNet 作特征提取器、PCA 作特征约简算法。
引用
@article{arxiv.2301.01931,
title = {Reduced Deep Convolutional Activation Features (R-DeCAF) in Histopathology Images to Improve the Classification Performance for Breast Cancer Diagnosis},
author = {Bahareh Morovati and Reza Lashgari and Mojtaba Hajihasani and Hasti Shabani},
journal= {arXiv preprint arXiv:2301.01931},
year = {2023}
}