qq_47896523的博客

CLS token 是一个在输入序列的开头添加的特殊 token，其输出特征通常被用作整个图像的表示，以进行分类任务。在 ViT 模型中，通常会在输入的补丁序列前添加一个特殊的分类 token（CLS token）。: 在模型训练和推理时，CLS token 的输出被用作图像的最终特征表示，进行分类或其他任务。: 对所有补丁的输出进行最大化操作，得到图像的特征表示。: 对所有补丁的输出进行平均，以获得图像的整体表示。

浸润性导管癌(Invasive Ductal Carcinoma, IDC)被认为是最常见的乳腺癌亚型，早期发现浸润性导管癌对于制定治疗方案和改善治疗效果至关重要。因此，IDC的自动识别将有助于病理学家的诊断，并提供有价值的第二意见。该数据集包含277,524个补丁，其中IDC阴性图像198,738个，IDC阳性图像78,786个。

一些常用的卷积神经网络(Convolutional Neural Network, CNN)及其变体，如AlexNet、VGGNet、GoogleNet等，在乳腺癌分类中容易出现过拟合的问题，这主要是由于乳腺病理图像数据集的规模较小，以及过于自信的softmax-cross-entropy loss。为了缓解过拟合问题以获得更好的分类准确性，提出了一种新的乳腺病理分类框架，称为AlexNet-BC模型。该模型使用ImageNet数据集进行预训练，并使用增强数据集进行微调。

乳腺癌可以通过对浸润性导管性乳腺癌(IDC)和浸润性小叶性乳腺癌(ILC)的内部组织区域进行检查来确诊。因此，早期诊断乳腺组织异常是至关重要的，以减少风险，使快速和有效的治疗。本研究旨在利用所提出的基于深度学习的算法，利用组织病理学图像，建立一个综合性的浸润性导管癌(invasive ductal carcinoma, IDC) CAD系统。该方案从零开始开发了ConvNet-A、ConvNet-B和ConvNet-C三种不同的CNN模型，分别考虑了8层、9层和19层。

开发了一种新的DCN，它能够处理乳房x线摄影筛查的多个视图，并利用大分辨率图像而不缩小。将这种DCN称为多视图深度卷积网络(MV-DCN)。网络学习预测放射科医生的评估，将传入的样本分类为BI-RADS 0(“不完整”)，BI-RADS 1(“正常”)或BI-RADS 2(“良性发现”)。研究了数据集大小和图像分辨率对所提出的MV-DCN筛选性能的影响，这将作为优化未来深度神经网络用于医学成像的事实上的指导方针。通过可视化预测进一步研究了所提出的MV-DCN的潜力。

利用深度学习技术，提出了一种新的两阶段CNN管道，以克服处理超大图像所带来的硬件限制。第一个所谓的patch-wise网络作用于整个图像的较小的补丁，并输出空间较小的特征图。第二个网络在补丁网络之上运行。它接收来自patch-wise网络的特征映射堆栈作为输入，并生成图像级标签分数。在这个框架中，patch-wise网络负责捕获输入的局部特征，而image-wise网络则学习组合这些特征并找到相邻补丁之间的关系，以全局推断图像的特征并生成类自信分数。