自适应小数据集乳腺癌病理组织分类研究

摘要：

针对乳腺癌病理组织图像数据普遍存在数据集规模小、良性和恶性样本数量分布不均衡、自动识别精度低的现状,利用深度可分离卷积、小卷积核堆叠、增深降维等技术,结合文中提出的"SoftMax+WF"设计具备合理深度和宽度、适应小数据集、轻型的病理组织图像分类模型.在图像旋转、扭曲等传统增强数据方法基础上,采用随机不重复裁切法均衡良、恶性样本数量并扩充数据集.针对训练集中难以聚类的样本,提出"弱特征"概念、"弱特征"样本提取算法和自适应调整、二次训练算法改进模型训练.在参数设置和运行环境相同的条件下,进行8组比对实验,模型的准确率、敏感度、特异度均可达97％以上.实验结果证明文中设计的模型性能稳定,对小数据集和不均衡数据集具有较好的包容性和适应性.

关键词：乳腺癌病理组织图像、自适应小数据集、弱特征、卷积神经网络、深度可分离卷积、深度学习

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：北京市自然科学基金;北京联合大学科研项目

在线出版日期：2021-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：67-73,84