使用卷积神经网络对乳腺癌图像进行分类

乳腺癌分期中一个重要环节是评估前哨腋窝淋巴结是否存在肿瘤扩散的早期迹象。然而，病理学家进行的这一评估并非总是容易，回顾性调查常常重新判定很高比例前哨淋巴结的状态。卷积神经网络（CNNs）是一类深度学习算法，在最具挑战性的视觉分类任务中表现出优异性能，并在医学影像中有大量应用。在本研究中，我比较了十二种不同的 CNN 和不同的硬件加速设备，用于从乳腺癌组织的显微图像中检测乳腺癌。卷积模型在两个公开数据集上训练和测试。第一个数据集由超过 300,000 张乳腺癌患者前哨淋巴结组织图像组成，第二个数据集有超过 220,000 张浸润性乳腺癌组织图像，这是最常见的乳腺癌形式之一。使用了四种不同的硬件加速卡，配合现成的深度学习框架。测试了迁移学习和超参数微调的影响。根据所用模型，硬件加速设备性能可将训练时间提升五到十二倍。另一方面，根据所用加速设备，增加卷积深度会使训练时间增加四到六倍。增加模型的深度和复杂度通常会提升性能，但关系并非线性，且也取决于模型的架构。迁移学习的性能总是劣于模型的完整重训练。对模型超参数进行微调可改善结果，最佳模型表现出与最先进（state-of-the-art）模型相当的性能。