基于AutoAugment和残差网络的乳腺癌病理图像分类研究

摘要

cqvip:目的:为解决传统机器学习在病理图像诊断方面的性能不足与纯粹人工阅片导致的错诊,以及传统的手动图形数据增强扩充对模型性能提高的未知性等问题,设计一个用于计算机辅助诊断(Computer-Aided Diagnosis, CAD)的乳腺癌病理图像自动分类模型。方法:结合深度学习在图像识别的优势,以残差网络为基础网络框架,使用迁移学习技术方法加快模型的收敛和训练,并使用自动增强(AutoAugment,AA)手段替代传统的数据增强手段,以实现提高模型性能的目的。结果:使用AA手段增强扩充的数据集训练出的模型,相对于未进行数据扩充以及进行传统手动扩充数据训练的模型其准确率均提升1个百分点,同时在测试集中的恶性肿瘤样本中,更是达到98.7%的灵敏度。结论:使用AA手段能有效提高模型的性能,为数据的扩充提供了新的技术方法,为提高模型识别性能提供了新的技术手段,同时也为CAD应用于实际临床诊断做了可行性论证。