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
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
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