76、基于深度学习的乳腺癌组织学图像分类方法研究

基于深度学习的乳腺癌组织学图像分类方法研究

1. 背景与动机

乳腺癌是全球女性癌症死亡的主要原因之一。早期诊断对于提高治疗成功率和患者生存率至关重要，但传统的病理诊断过程繁琐且主观，不同病理学家之间的诊断结果可能存在差异。计算机辅助诊断系统为提高诊断准确性提供了新的途径，近年来，深度学习在图像分析领域取得了显著进展，为乳腺癌组织学图像分类带来了新的解决方案。

2. 方法介绍

2.1 预处理步骤

• 归一化 ：组织学图像即使在相同组织类型和染色程序下，颜色也存在很大差异。为减少这种颜色变化对图像分析方法性能的影响，采用Macenko等人提出的归一化方法。
• 数据增强 ：预训练的卷积神经网络（CNN）提取的特征可能对图像中组织的位置或方向不具有不变性。为解决这个问题，对图像进行垂直和水平翻转，增加后续分类器依赖不变特征的可能性。

2.2 特征提取

考虑了三种架构作为特征提取器：VGG16、ResNet50和Xception。这些架构在各种图像分类任务中表现出色，并且可以在深度学习框架（如Keras）中找到预训练模型。它们使用ImageNet数据进行训练，尽管ImageNet图像分类任务与乳腺癌图像分类任务不太相关，但这些架构在迁移学习中表现出了适用性。

为了进一步探索特征的可迁移性，从不同网络架构的特定层提取特征，具体来说，选择了VGG16中的池化层以及ResNet50和Xception中的加法层。为了限制特征总数，每个提取层后面都进行全局平均池化，将卷积层中每个滤波器的响