基于反向主动学习的空洞DenseNet用于病理图像分类
计算机视觉与模式识别
2018-07-09 v1
摘要
目睹近年来深度学习的发展，越来越多的研究尝试采用深度学习模型用于医学图像分析。然而，将深度学习网络用于病理图像分析遇到若干挑战，例如病理图像的高分辨率（十亿像素）以及缺乏癌区域的标注。为应对这些挑战，我们提出了一种用于病理图像分类的完整框架，其由一种新颖的训练策略（即反向主动学习（RAL））和一种先进网络（即空洞DenseNet（ADN））组成。所提出的RAL可去除训练集中的错误标注块。精炼后的训练集随后可用于训练广泛使用的深度学习网络，例如VGG-16、ResNets等。还提出了一种新颖的深度学习网络，即空洞DenseNet（ADN），用于病理图像分类。所提出的ADN通过将空洞卷积集成到密集块中实现了多尺度特征提取。所提出的RAL和ADN已在两个病理数据集（即BACH和CCG）上评估。实验结果表明所提出的ADN+RAL框架的优异性能，即在BACH和CCG验证集上分别取得了94.10%和92.05%的平均块级准确率（ACA）。
引用
@article{arxiv.1807.02420,
title = {Reversed Active Learning based Atrous DenseNet for Pathological Image Classification},
author = {Yuexiang Li and Xinpeng Xie and Linlin Shen and Shaoxiong Liu},
journal= {arXiv preprint arXiv:1807.02420},
year = {2018}
}