TOP-GAN：基于深度学习和小训练集的无标记癌细胞分类
图像与视频处理
2018-12-31 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
我们提出了一种用于医学成像的新深度学习方法，以应对小训练集这一深度学习的主要瓶颈问题，并将其应用于定量相位成像获取的健康细胞与癌细胞的分类。所提出的方法称为迁移预训练生成对抗网络（transferring of pre-trained generative adversarial network, TOP-GAN），是迁移学习与生成对抗网络（GANs）的混合。利用低相干离轴全息术对不同转移潜能的健康细胞和癌细胞进行成像。采集后，提取细胞的光程延迟图并直接作为深度网络的输入。为应对分类图像数量少的问题，我们使用GANs训练了大量来自另一种细胞类型（精子细胞）的未分类图像。在此初步训练之后，并将网络的最后一层替换为新层，我们设计了一个自动分类器，用于正确分类细胞类型（健康/原发癌/转移癌），准确率可达90-99%，尽管所使用的训练集小至仅数张图像。与旨在解决相同小训练集问题的其他经典方法相比，这些结果更优。我们相信，我们的方法通过实现无染色成像流式细胞术中的快速、自动和准确分类，使全息显微镜与深度网络的结合更容易被医学领域所接受。此外，我们的方法有望适用于许多其他受小训练集困扰的医学图像分类任务。
引用
@article{arxiv.1812.11006,
title = {TOP-GAN: Label-Free Cancer Cell Classification Using Deep Learning with a Small Training Set},
author = {Moran Rubin and Omer Stein and Nir A. Turko and Yoav Nygate and Darina Roitshtain and Lidor Karako and Itay Barnea and Raja Giryes and Natan T. Shaked},
journal= {arXiv preprint arXiv:1812.11006},
year = {2018}
}