《基于深度学习的胃癌病理图像分类方法》------论文笔记

最新推荐文章于 2024-04-02 00:27:18 发布

weixin_43350614

最新推荐文章于 2024-04-02 00:27:18 发布

阅读量4.8k

点赞数 4

本文链接：https://blog.csdn.net/weixin_43350614/article/details/86247065

版权

论文探讨了将深度学习的AlexNet和GoogLeNet模型融合，用于胃癌病理图像的分类。通过对GoogLeNet进行优化，结合两种模型的特性，提高了胃癌诊断的准确性。实验表明，当融合模型中AlexNet和GoogLeNet的权重比例为1:3时，诊断准确率和灵敏度显著提升。

摘要由CSDN通过智能技术生成

这篇论文和我看的上一篇看的关于胃癌的论文有所不同，最大的不同是他用了一种新的网络模型----AlexNet与GoogLeNet相融合的模型。

概述本文将深度学习的方法应用于胃癌病理切片的识别中，经过大量的研究之后，以GoogLeNet 和 AlexNet 两种深度学习网络模型为基础实现对胃癌的自动诊断。针对胃癌病理图像的特点，对两种模型中时间效率相对较低的GoogLeNet模型进行了优化，然后将两种模型相融合，综合两种不同的网络模型提取到的不同特征，来提高胃癌诊断的准确率。

1.AlexNet与GoogLeNet 模型
在这里插入图片描述
AlexNet模型的输入为2272273 ，本文使用的病理图像为三通道的ＲＧＢ图像，维度恰好符合模型的要求。将病理图像调整为2272273 大小后送入网络。
GoogLeNet 认为解决此问题的方法是采用稀疏连接操作它吸收了ＮＩＮ的思想，设计了一种称为 Iception的模块化网络结构，将稀疏矩阵聚类成为比较密集的子矩阵，极大地降低了参数量，提高了计算效率。Inception的基本结构如图４所示
在这里插入图片描述
Iception是一种稀疏性的结构，它采用了３种不同大小的卷积核学习图像的特征。由于采用了不同大小的卷积核， Icep