2020-基于多网络特征和双网络正交低秩学习的乳腺癌图像分类（IEEE Access）

Breast Cancer Image Classification via Multi-Network Features and Dual-Network Orthogonal Low-Rank Learning

---

摘要

组织病理学图像分析是临床上乳腺癌早期诊断和检测的重要手段。然而，它的效率有限，因此乳腺癌的检测仍然是医学图像分析中的一个悬而未决的问题。为了提高乳腺癌的早期诊断准确率，减少医生的工作量，本文将深度学习与机器学习方法相结合，设计了一种基于组织学图像的分类框架。具体来说，我们利用预先训练好的深度卷积神经网络（DCNN）设计了一个多网络特征提取模型，开发了一种有效的特征降维方法，并训练了集成支持向量机（E-SVM）。首先，我们通过尺度变换和颜色增强方法对组织学图像进行预处理。其次，使用四个预先训练的DCNN（例如DenseNet-121、ResNet-50、多级接收v3和多级VGG-16）提取多网络特征。第三，进一步发展了一种基于双网络正交低秩学习（DOLL）的特征选择方法，以提高性能和缓解过度拟合。最后，通过融合特征和投票策略训练E-SVM来执行分类任务，将图像分为四类（即良性、原位癌、浸润性癌和正常）。我们在公开的ICIAR 2018乳腺癌组织学图像挑战数据集上评估了所提出的方法，并实现了97.70%的高分类准确率。实验结果表明，我们的方法可以获得很好的性能，并且优于现有的方法。

INDEX TERM