《利用深度卷积神经网络学习的图像特征对肿瘤上皮和间质进行分类》文献阅读笔记

Classification of Tumor Epithelium and Stroma by Exploiting Image Features Learned by Deep Convolutional Neural Networks
重点看方法，对实验背景以及相关医学知识不进行赘述

论文研究的问题：
1.CNN的底层还是高层包含NI（NI自然图像natural image）特征，在肿瘤上皮和间质分类中具有更好的识别能力？与CNN架构有什么关系？
2.到什么程度可以通过微调模型来提高分类性能？

实验数据集来自TMAD和OUHSC，预处理主要包括图像增强和子图像建立（epithelium和stroma patches）。图像对比度由MATLAB实现的标准自动对比度算法进行增强。为了准备用于训练和测试的子图像，我们在Definiens Developer XD中采用了多分辨率分割算法生成epithelium和stroma patches的超像素。将这些分割出来的子图像，输入深度学习模型，分类为epithelium和stroma patches。

共19748张超像素图片来自TMAD（每类9874），16444张来自OUHSC（每类8222）对于这两个数据集，利用Python中sklearn包中的train_test_split函数，将图像的总数随机分割为训练集和测试集，分割比为0.6:0.4，如下图所示。为了避免在模型开发过程中过度拟合，使用cross_val_score函数对模型性能进行预估。

本文使用的深度卷积神经网络包括四种：
AlexNet
Places365-AlexNet
GoogLeNet
two modified AlexNet models
两种不同的使用方式
第一种方法是直接使用模型计算在每一层包含NI特征集的输出，在架构的各个层次(包括低层、中层和高层CNN特征)，公正地选择了五组NI特征，因为对于哪一层应该包含更丰富、更容易概括的语义信息，还没有得出决定性的结论。
第二种方法执行端到端的微调(1000 iterations; base learning rate: 0.001, gamma: 0.1, momentum: 0.9, weight decay: 5e-04)，在进行了微调之后利用了中间层的特征集进行训练（AlexNet and Places365: L7; GoogLe- Net: L5; C1–C3: L3; C1–C5: L5)。通过对这些网络进行微调，使用了两种完全不同的迁移学习策略，NI-to-PI和 PI-to-PI，如下图所示。



在NI-to-PI中，我们通过自然图像分类任务优化初始权值，直接对数据集I上的网络进行微调，该任务涉及到从自然图像数据集到病理图像数据集的转移学习。对于PI-to-PI，我们利用NI-to-PI传递的初始权重对数据集II上的net- works进行了微调，其中源数据集和目标数据集都是病理图像数据集。
为了消除变异在多个分类器的性能,采用了四种不同的分类器，
Support vector machines (SVMs) for classification with a kernel that is ‘linear’ (SVClnr),
SVMs with an ‘rbf’ kernel (SVCrbf),
random forest (RF)
k-near- est neighbors (KNN)