基于改进ResNeXt的乳腺癌组织病理学图像分类 
下载： 1049次
Breast Cancer Histopathological Image Classification Based on Improved ResNeXt
1 内蒙古科技大学信息工程学院模式识别与智能图像处理重点实验室, 内蒙古 包头 014010
2 内蒙古工业大学信息工程学院, 内蒙古 呼和浩特 010051
3 上海大学计算机工程与科学学院, 上海 200444
4 大连海事大学信息科学技术学院, 辽宁 大连 116026
图 & 表
图 1. 本算法的流程图
Fig. 1. Flow chart of our algorithm
下载图片 查看原文
图 2. OctConv过渡层的工作原理
Fig. 2. Working principle of OctConv transition layer
下载图片 查看原文
图 3. 不同结构的卷积。(a)传统卷积;(b) HetConv
Fig. 3. Convolution with different structures. (a) Traditional convolution; (b) HetConv
下载图片 查看原文
图 4. HetConv算法的流程图
Fig. 4. Flow chart of HetConv algorithm
下载图片 查看原文
图 5. ResNeXt模块的结构
Fig. 5. Structure of ResNeXt module
下载图片 查看原文
图 6. 验证集中Benign类的图像。(a)整张图像;(b)小斑块
Fig. 6. Image of the Benign class in the verification set. (a) Whole image; (b) small patches
下载图片 查看原文
图 7. 多数投票算法的原理
Fig. 7. Principle of the majority voting algorithm
下载图片 查看原文
图 8. ResNeXt模型的训练准确率和验证准确率
Fig. 8. Training accuracy and verification accuracy of the ResNeXt model
下载图片 查看原文
图 9. 部分判断错误的图像。 (a) Invasive; (b) InSitu1; (c) InSitu2
Fig. 9. Image of partially judged wrong. (a) Invasive; (b) InSitu1; (c) InSitu2
下载图片 查看原文
图 10. ResNeXt +OctConv模型的训练准确率和验证准确率
Fig. 10. Training accuracy and verification accuracy of the ResNeXt+OctConv model
下载图片 查看原文
图 11. Normal类的图像
Fig. 11. Image of the Normal class
下载图片 查看原文
图 12. ResNeXt+OctConv+HetConv模型的训练准确率和验证准确率
Fig. 12. Training accuracy and verification accuracy of the ResNeXt+OctConv+HetConv model
下载图片 查看原文
表 1ResNeXt模型的图像级混淆矩阵
Table1. Image-level confusion matrix of ResNeXt
| Benign | InSitu | Invasive | Normal |
|---|
| Benign | 18 | 1 | 1 | 3 | | InSitu | 1 | 18 | 4 | 0 | | Invasive | 0 | 1 | 14 | 1 | | Normal | 1 | 0 | 1 | 16 |
|
查看原文
表 2ResNeXt+OctConv模型的图像级别混淆矩阵
Table2. Image-level confusion matrix of ResNeXt+OctConv model
| Benign | InSitu | Invasive | Normal |
|---|
| Benign | 18 | 1 | 0 | 1 | | InSitu | 1 | 18 | 3 | 0 | | Invasive | 0 | 0 | 17 | 0 | | Normal | 1 | 1 | 0 | 19 |
|
查看原文
表 3ResNeXt+OctConv+HetConv模型的图像级别混淆矩阵
Table3. Image-level confusion matrix of ResNeXt +OctConv+HetConv model
| Benign | InSitu | Invasive | Normal |
|---|
| Benign | 18 | 1 | 0 | 1 | | InSitu | 0 | 18 | 2 | 0 | | Invasive | 0 | 0 | 18 | 0 | | Normal | 2 | 1 | 0 | 19 |
|
查看原文
表 4文献[
4]的图像级别混淆矩阵
Table4. Image level confusion matrix of Ref. [4]
| Benign | InSitu | Invasive | Normal |
|---|
| Benign | 23 | 1 | 1 | 4 | | InSitu | 1 | 20 | 2 | 1 | | Invasive | 0 | 1 | 22 | 0 | | Normal | 1 | 3 | 0 | 20 |
|
查看原文
表 5两种方法的召回率、精准率和准确率
Table5. Recall,precision and accuracy of two methods unit: %
| Method | Recall | Precision | Accuracy |
|---|
| Ourmethod | Benign | 90.00 | 90.00 | 91.25 | | InSitu | 90.00 | 90.00 | | Invasive | 90.00 | 100.00 | | Normal | 95.00 | 86.36 | | Ref. [4] | Benign | 92.00 | 79.31 | 85.00 | | InSitu | 80.00 | 83.33 | | Invasive | 88.00 | 95.65 | | Normal | 80.00 | 83.33 |
|
查看原文
表 6不同模型的识别率
Table6. Recognition rate of different models unit: %
| Method | ResNeXt | ResNeXt+OctConv | ResNeXt+OctConv+HetConv P=2(P=4) | Ref.[4] |
|---|
| Patch-accuracy | 71.92 | 81.73 | 83.04(78.12) | 79.00 | | Image-accuracy | 82.50 | 90.00 | 91.25(88.75) | 85.00 |
|
查看原文
表 7不同方法得到的实验结果
Table7. Experimental results obtained by different methods unit: %
| Method | Accuracy |
|---|
| Traditional machine learning[1] | 80.00-85.00 | | AlexNet[2] | 89.60 | | CNN+SVM[3] | 77.80 | | Inception-Transfer learning[4] | 85.00 | | LightGBM[5] | 87.20 | | Hierarchical ResNeXt[6] | 99.00 | | The contestants (ICIAR2018) | 80.00-91.00 | | Our method | 91.25 |
|
查看原文
牛学猛, 吕晓琪, 谷宇, 张宝华, 张明, 任国印, 李菁. 基于改进ResNeXt的乳腺癌组织病理学图像分类[J]. 激光与光电子学进展, 2020, 57(22): 221021. Xuemeng Niu, Xiaoqi Lü, Yu Gu, Baohua Zhang, Ming Zhang, Guoyin Ren, Jing Li. Breast Cancer Histopathological Image Classification Based on Improved ResNeXt[J]. Laser & Optoelectronics Progress, 2020, 57(22): 221021.
PDF全文
