基于Cycle-GAN和改进DPN网络的乳腺癌病理图像分类

针对病理图像染色不均匀及良恶性难以鉴别的问题,提出基于Cycle-GAN和改进的双路径网络(DPN)的算法框架.利用Cycle-GAN进行颜色归一化处理,解决因病理图像染色不均匀导致的检测模型精度偏低问题,通过对图像进行重叠切片,基于DPN网络采用增加小卷积、反卷积和注意力机制,增强模型对病理图像纹理特征的分类能力.在BreaKHis数据集上的实验结果表明,所提算法有效提高了乳腺癌病理图像良恶性分类的准确性.

基于多尺度通道重校准的乳腺癌病理图像分类

针对乳腺癌病理图像的自动分类问题,提出基于深度学习的分类算法.通道重校准模型是作用于特征通道的注意力模型,可以利用学习到的通道权重对无用特征进行抑制来实现对特征通道的重校准,以达到更高的分类准确率.为了使通道重校准的结果更加准确,提出多尺度通道重校准模型,设计卷积神经网络msSE-ResNet.多尺度特征通过网络中的最大池化层获得并作为后续通道重校准模型的输入,将不同尺度下学到的通道权重进行融合,可以改善通道重校准的结果.该实验在公开数据集BreaKHis上开展.实验结果表明,该网络对良性/恶性乳腺病理图像分类任务达到88.87%的分类精度,可以对不同放大倍数下获取的病理图像具有较好的鲁棒性.

基于CNN的乳腺癌病理图像分类研究

乳腺癌已经成为全球第一大癌症,乳腺癌的早期发现及良恶性诊断对于治疗具有重要的意义。针对传统机器学习方法在乳腺癌病理图像分类任务中性能不足和准确率低的问题,本文提出了基于CNN(卷积神经网络)的乳腺癌病理图像分类模型,将乳腺癌病理图像分为良性与恶性。该模型以VGG网络为基础,对网络结构进行调整,在公开的BreakHis数据集上实验。针对数据集存在的样本不均衡问题,采用焦点损失函数进行优化,并在网络训练过程结合了迁移学习和数据增强策略。实验结果表明,该模型在4种放大倍数下的平均识别率达到96.96%,分类准确率较先前的模型有了大幅提升,能够为乳腺癌病理图像的分类提供有意义的参考。

基于原型的乳腺癌病理图像分类算法

乳腺癌病理图像的自动分类是开发乳腺癌计算机辅助诊断系统的关键。针对乳腺肿瘤病理图像的特点,提出了一种基于LBP原型的特征提取方法,首先,随机地从训练图像中选取若干子图像作为原型并提取其LBP特征;其次,对于任意输入图像,计算图像中所有和原型同样大小的子图像和原型的LBP特征的余弦距离,然后,通过池化操作得到最终的特征;最后,利用SVM集成的方法对图像进行分类。在BreakHis数据集上对算法进行了验证,结果表明,本文提出的特征提取方法优于一些传统的方法。

基于深度学习的乳腺癌病理图像自动分类

乳腺癌病理图像的自动分类具有重要的临床应用价值。基于人工提取特征的分类算法,存在需要专业领域知识、耗时费力、提取高质量特征困难等问题。为此,采用一种改进的深度卷积神经网络模型,实现了乳腺癌病理图像的自动分类;同时,利用数据增强和迁移学习方法,有效避免了深度学习模型受样本量限制时易出现的过拟合问题。实验结果表明,该方法的识别率可达到91%,且具有较好的鲁棒性和泛化性。

基于融合多网络深层卷积特征和稀疏双关系正则化方法的乳腺癌图像分类研究

乳腺癌是全球女性癌症死亡的主要原因之一。现有诊断方法主要是医生通过乳腺癌观察组织病理学图像进行判断,不仅费时费力,而且依赖医生的专业知识和经验,使得诊断效率无法令人满意。针对以上问题,设计基于组织学图像的深度学习框架,以提高乳腺癌诊断准确性,同时减少医生的工作量。开发一个基于多网络特征融合和稀疏双关系正则化学习的分类模型:首先,通过子图像裁剪和颜色增强进行乳腺癌图像预处理;其次,使用深度学习模型中典型的3种深度卷积神经网络(Inception V3、Res Net-50和VGG-16),提取乳腺癌病理图像的多网络深层卷积特征并进行特征融合;最后,通过利用两种关系("样本-样本"和"特征-特征"关系)和lF正则化,提出一种有监督的双关系正则化学习方法进行特征降维,并使用支持向量机将乳腺癌病理图像区分为4类—正常、良性、原位癌和浸润性癌。实验中,通过使用ICIAR 2018公共数据集中的400张乳腺癌病理图像进行验证,获得93%的分类准确性。融合多网络深层卷积特征可以有效地捕捉丰富的图像信息,而稀疏双关系正则化学习可以有效降低特征冗余并减少噪声干扰,有效地提高模型的分类性能。