用于组织病理学图像分类的纹理CNN
计算机视觉与模式识别
2019-05-30 v1 图像与视频处理
摘要
活检是乳腺癌诊断的金标准。通过使用计算机辅助诊断（CAD）系统可以改进这一任务，从而缩短诊断时间并减少观察者间和观察者内的变异性。计算技术的进步使这类系统更接近现实。然而，来自活检的组织病理学图像（HI）数据集非常小且不平衡，这使得难以使用诸如深度学习等现代机器学习技术。在本文中，我们提出了一种基于纹理滤波器的紧凑架构，其参数比传统深度模型少，但能够以相对较高的准确率捕捉恶性组织与良性组织之间的差异。在BreakHis数据集上的实验结果表明，所提出的纹理CNN在分类良性和恶性组织方面达到了近90%的准确率。
引用
@article{arxiv.1905.12005,
title = {Texture CNN for Histopathological Image Classification},
author = {Jonathan de Matos and Alceu de S. Britto and Luiz E. S. de Oliveira and Alessandro L. Koerich},
journal= {arXiv preprint arXiv:1905.12005},
year = {2019}
}