多尺度小波池化协方差网络:对噪声鲁棒的病理学图像分类算法

摘要：

将基于深度学习的图像分类方法用于辅助病理学诊断优势突出,但获取病理学切片过程中产生的噪声会影响网络的泛化性能,进而降低分类算法的准确率.针对该问题,提出了一种鲁棒的病理学图像分类算法——多尺度小波池化协方差(multi-scale wavelet pooling covariance,MWPC)网络.MWPC网络主要由小波池化层、复合卷积层、多尺度特征融合和协方差特征提取层 4 个核心模块构成,其中小波池化层在抑制噪声影响的同时,保护了有效特征不受损失.多尺度特征融合将浅层特征与深层特征结合,使深层特征能够保留更多图像细节.协方差特征提取层可以获取图像的高阶统计特征,提高网络的泛化性能.在病理图像数据集上的测试结果表明,MWPC 网络针对组织病理学图像分块级别的五分类任务,在无噪声条件下准确率可以达到 90.90％,比 ResNet 提高 1.68％,比 Inception-v3分类网络提高 0.43％;在模拟椒盐噪声、高斯噪声和柯西噪声等条件下,其噪声鲁棒性能提升明显,且能够降低平均噪声误差.多种网络模块的消融实验结果表明,MWPC网络能够提高网络分类性能和噪声鲁棒性.

关键词：病理学图像、噪声鲁棒、小波池化、多尺度特征融合、协方差特征

所属期刊栏目：35

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;湖南省高新技术产业科技创新引领计划

在线出版日期：2023-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：538-552