论文地址:Two-Stage Convolutional Neural Network for Breast Cancer Histology Image Classification
摘要
目的:将图像分为正常,良性,原位癌和浸润性癌四类
因为图像的大尺寸高像素,所以提出用基于patch的方法,由两个连续的神经网络组成。第一个预训练的patch-wise cnn提取特征,第二个image-wise cnn从上一个网络获得输入,然后进行预测。image-wise cnn主要是作为分类器。
introduction中指出一些利用patch然后输入到下一个神经网络并产生标签分数,最后分类。这些技术可以高度准确地对图像块进行高度自信,然而,它们无法捕获图像的全局属性:标记所有图像块后,空间信息将被忽略,并且修补程序之间共享的任何可能功能都将丢失。
所以本文提出一个由预训练的patch-wise cnn和image-wise cnn组成的框架。patch-wise cnn经过训练之后可以高度提取每个patch的特征,然后组成一个空间上小的3D输入,然后image-wise cnn根据从patch中提取的特征和patch之间共享的全局信息来分类。
方法
1.patch-wise cnn
首先用滑动窗口从2048*1536的高像素图像里选出有重叠的35个patch(窗口步长为256)。
2.image-wise cnn
输入是不重叠的12个patch(窗口步长为512)。image-wise的网络更容易过拟合,所以用了dropout和权重衰减,而patch-wise cnn没有用
并且提出,如果准确率不再提升,就停止训练。
此外,用了数据增强训练的网络,作者称为ensemble model。