81、乳腺癌组织学图像多分类与特征融合方法研究

乳腺癌组织学图像多分类与特征融合方法研究

乳腺癌是女性最常见的癌症类型之一，也是导致女性癌症相关死亡的主要原因。在乳腺癌组织学图像分类领域，深度学习和特征融合技术正发挥着重要作用。下面将详细介绍两种不同的方法及其相关实验结果。

1. 基于ResNet的多分类方法

1.1 图像分辨率问题处理策略

深度神经网络在处理高分辨率图像时会遇到训练时间长和计算成本高的问题。常见的解决方法是将图像分割成多个小块进行训练和分类，但这种方法会产生大量图像用于训练。本文采用了一种不同的策略：将输入图像按因子k进行下采样，然后提取尺寸为m × m的中心正方形补丁作为网络输入，其中m为调整大小后图像宽度和高度的最小值。这种策略的优点是网络对整个测试图像只有单一响应，避免了将图像分割成多个小块时需要合并决策的问题。

1.2 网络配置与训练策略

采用了ResNet的三种不同配置，即34、50和101层，并对所有层进行微调。每个配置在训练数据集上进行训练，通过计算三种配置提供的最高类概率来对测试图像进行分类。具体训练时，使用随机梯度下降法，学习率为0.001，批量大小为8。

1.3 实验数据集与设置

实验在Grand Challenge on Breast Cancer Histology (BACH) 图像上进行验证，该数据集是Bioimaging 2015乳腺组织学分类挑战数据集的后续。所有图像分辨率为2040×1536像素，放大倍数为200×，像素大小为0.42 µm × 0.42 µm。标注的H&E染色图像未压缩，有四种可能的标签：正常组织、良性病变、原位癌和浸润性癌，数据集包含400张图像。为增加训练