Breast Cancer Image Classification via Multi-Network Features and Dual-Network Orthogonal Low-Rank Learning
摘要
组织病理学图像分析是临床上乳腺癌早期诊断和检测的重要手段。然而,它的效率有限,因此乳腺癌的检测仍然是医学图像分析中的一个悬而未决的问题。为了提高乳腺癌的早期诊断准确率,减少医生的工作量,本文将深度学习与机器学习方法相结合,设计了一种基于组织学图像的分类框架。具体来说,我们利用预先训练好的深度卷积神经网络(DCNN)设计了一个多网络特征提取模型,开发了一种有效的特征降维方法,并训练了集成支持向量机(E-SVM)。首先,我们通过尺度变换和颜色增强方法对组织学图像进行预处理。其次,使用四个预先训练的DCNN(例如DenseNet-121、ResNet-50、多级接收v3和多级VGG-16)提取多网络特征。第三,进一步发展了一种基于双网络正交低秩学习(DOLL)的特征选择方法,以提高性能和缓解过度拟合。最后,通过融合特征和投票策略训练E-SVM来执行分类任务,将图像分