基于改进的AlexNet的乳腺肿瘤智能诊断方法

由于医学病理图像标注成本高、获取困难,采用数据增强方法对小样本数据集进行扩充。针对传统分类方法对特征工程过度依赖的问题,采用以AlexNet为架构的卷积网络对良性、恶性肿瘤进行全自动分类。为了解决AlexNet网络中间层改变原始数据分布的问题,引入批量归一化算法以减小网络中间层产生的偏移量,加速网络收敛,提高分类准确率。同时采用Dropout避免过拟合。实验结果表明,改进后的AlexNet网络分类准确率较原方法提高了6.09%,具有较好的鲁棒性和泛化性。