论文笔记：Deep convolutional activation features for large scale histopathology image classification

Deep convolutional activation features for large scale Brain Tumor histopathology image classification and segmentation

---

这篇文章讲述的是MICCAI2014脑肿瘤竞赛中冠军所用的方法。
原始图像是100000× 100000像素的病理学图片大图。
首先使用深度卷积网络获取基本的图片特征，然后把特征集合起来，进行特征选择，最后利用linear SVM进行分类。 这是个2分类问题，所以使用linear SVM，根据分类任务可以使用不同的SVM核函数进行分类。

CNN architecture

CNN 的模型构架主要是利用2013ImageNetwork LSVRC比赛中CognitiveVision team所使用的构架。本文使用的CNN模型是在ImageNet训练过的基础上的。跟team所使用的数据预处理方法和数据增加方法相同。
输入是224 × 224的，本文首先将原始大图按照网格分割成336 × 336 (为什么是这个大小，据说是因为交叉验证cross-validation)的小图patch，小图之间有25% 的overlap。所以在ＣＮＮ的输入层需要ｒｅｓｉｚｅ成２２４　×　２２４大小的图像。
在CNN构架的最后一层，去掉最后一层fc网络，把倒数第二层fc网络的结果，当做这个CNN网络提取的特征。然后对这个特征进行后续处理。
如果一张patch中超过200个像素的RGB值都大于200，那么就去掉这个patch，不进行 处理。 所有的patch获得向量相连组成一个向量，方法是来自3 feature pooling and cross-validation. 结果是整张大图会生成一个单一的特征向量。pool的方法是3范式。特征选择是基于GBM和ＬＧＧ差异最大的一百维特征。　简单来说，就是对所属不同类别的图片每维作差，选取差异最大的维数作为留下的特征。　这里的作差用到了３范式。
最后利用一个线性ＳＶＭ分类器来分类。

ｅｘｐｅｒｉｍｅｎｔ

trainset ： ２３ＧＢＭ　＋　２２ＬＧＧ　　大图像
testset : 40

reference:

1. Deep convolutional activation features for large scale Brain Tumor histopathology image classification and segmentation
2. ImageNet Classification with Deep Convolutional
   Neural Networks
   
   3.