7、深入解析深度迁移学习在结直肠癌组织学纹理分类中的应用

深入解析深度迁移学习在结直肠癌组织学纹理分类中的应用

1. 引言

深度迁移学习（Deep Transfer Learning）在医学图像分析领域取得了显著的成功，特别是在结直肠癌（Colorectal Cancer, CRC）组织学图像的纹理分类方面。本文将深入探讨深度迁移学习在CRC纹理分类中的应用，通过分析现有研究，提出一种高效且准确的轻量级卷积神经网络（CNN）架构，以期在资源受限环境下实现高性能的CRC纹理分类。

2. 相关工作

尽管早期研究已经提出了包含CRC中8种不同纹理类别的数据集，但关于人类CRC不同纹理分析的研究仍然不足。传统方法主要依赖于手工设计的特征，如直方图、局部二值模式（LBP）、灰度共生矩阵（GLCM）、Gabor滤波器等，这些方法的准确率通常在87.4%左右。近年来，深度神经网络逐渐成为主流，但在CRC数据集上的应用仍然有限。

例如，有研究者设计了一个11层的全卷积神经网络（CNN），其分类准确率仅为75.5%。另一项工作通过染色分解技术提升了性能，使用正交变换从原始RGB图像中提取苏木精和伊红（H&E）图像成分，并将其输入到双线性卷积神经网络中，达到了92.6%的准确率。最近的研究则探索了迁移学习的应用，通过弱标注数据集转移特征并重新训练模型，实现了92.7%的准确率。

然而，大多数工作并未详细解释迁移学习中的微调方法，仅专注于提高准确率，忽视了资源效率的问题。本文将展示并实现一种轻量级CNN架构，结合区分性微调和一周期策略，在CRC数据集上达到最先进的结果。

3. 数据集与预处理

3.1 数据集

CRC数据集包含5000张RGB