Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân loại hình ảnh mô bệnh học dựa trên học chuyển giao để phát hiện ung thư vú
Tóm tắt
Ung thư vú là một trong những loại ung thư hàng đầu ở phụ nữ trên toàn cầu. Mỗi năm, nhiều bệnh nhân ung thư vú tử vong do chẩn đoán và điều trị muộn. Do đó, trong những năm gần đây, các hệ thống phát hiện sớm ung thư vú dựa trên hình ảnh của bệnh nhân trở nên cần thiết. Học sâu (Deep Learning) đã thu hút nhiều nhà nghiên cứu gần đây và nhiều ứng dụng thị giác máy tính đã xuất hiện trong các môi trường khác nhau. Mạng nơ-ron tích chập (Convolutional Neural Network - CNN), được biết đến như một kiến trúc học sâu, đã đạt được những kết quả ấn tượng trong nhiều ứng dụng. Các mạng CNN thường gặp phải vấn đề tinh chỉnh một số lượng lớn các tham số, điều này mang lại một khối lượng lớn độ phức tạp cho hệ thống. Ngoài ra, việc khởi tạo trọng số của mạng CNN cũng là một bất lợi khác cần được xử lý cẩn thận. Trong bài báo này, các phương pháp học chuyển giao và trích xuất đặc trưng sâu được sử dụng để thích ứng một mô hình CNN đã được đào tạo trước với vấn đề hiện tại. Các mô hình AlexNet và Vgg16 được xem xét trong công việc trình bày để trích xuất đặc trưng và AlexNet được sử dụng để tinh chỉnh thêm. Các đặc trưng thu được sau đó được phân loại bởi các máy vector hỗ trợ (Support Vector Machines - SVM). Các thí nghiệm rộng rãi trên một tập dữ liệu mô bệnh học ung thư vú công khai đã được thực hiện và các điểm số chính xác được tính toán để đánh giá hiệu suất. Các kết quả đánh giá cho thấy rằng học chuyển giao tạo ra kết quả tốt hơn so với trích xuất đặc trưng sâu và phân loại SVM.
Từ khóa
#ung thư vú #học chuyển giao #mạng nơ-ron tích chập #trích xuất đặc trưng #máy vector hỗ trợ #phân loại hình ảnh mô bệnh họcTài liệu tham khảo
American Cancer Society. About breast cancer. https://www.cancer.org/content/dam/CRC/PDF/Public/8577.00.pdf.
American Cancer Society. Cancer facts & figures 2018. https://www.cancer.org/content/dam/cancer-org/research/cancer-facts-and-statistics/annual-cancer-facts-and-figures/2018/cancer-facts-and-figures-2018.pdf.
Wang L. Early diagnosis of breast cancer. Sensors. 2017;17–1572:1–20.
Dr. Filiz Yenicesu. Meme Kanserinde Görüntüleme Yöntemleri. https://www.duzen.com.tr/workshop/2011/Meme_Kanserinde_Goruntuleme_Y%C3%B6ntemleri_(Dr_Filiz_Yenicesu).pdf.
Joy JE, et al., editors. Saving women’s lives: strategies for improving breast cancer detection and diagnosis. Washington, DC: Natl Acad Press; 2005.
Spanhol FA, Oliveira LS, Petitjean C, Heutte L. A dataset for breast cancer histopathological image classification. IEEE Trans Biomed Eng. 2016;63(7):1455–62.
Gurcan MN, et al. Histopathological image analysis: a review. IEEE Rev Biomed Eng. 2009;2:147–71.
Pearce C. Convolutional neural networks and the analysis of cancer imagery. Stanford University; 2017.
Selvathi D, Poornila A. Aarthy, “Breast cancer detection ın mammogram ımages using deep learning technique” middle-east. J Sci Res. 2017;25(2):417–26.
Geras KJ, et al. High-resolution breast cancer screening with multi-view deep convolutional neural networks. 2017. arXiv preprint arXiv:1703.07047.
Bayramoglu N, Kannala J, Heikkilä J. Deep learning for magnification independent breast cancer histopathology image classification. In: 2016 23rd International conference on pattern recognition (ICPR), pp. 2440–2445. IEEE. 2016.
http://web.inf.ufpr.br/vri/breast-cancer-database.
Krizhevsky A, Sutskever I, Hinton GE. Imagenet classification with deep convolutional neural networks. In: Advances in neural information processing systems, pp. 1106–1114. 2012.
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. Computing research repository (CoRR), vol. abs/1409.1556. 2014.
Orenstein EC, Beijbom O. Transfer learning and deep feature extraction for planktonic image data sets. In: 2017 IEEE Winter conference on applications of computer vision (WACV). IEEE. 2017.
Russakovsky O, et al. Imagenet large scale visual recognition challenge. Int J Comput Vis. 2015;115(3):211–52.
Hearst MA, Dumais ST, Osuna E, Platt J, Scholkopf B. Support vector machines. In: IEEE intelligent systems and their applications, vol 13(4), pp. 18–28. July–Aug 1998.
Vedaldi Andrea, Zisserman Andrew. Efficient additive kernels via explicit feature maps. IEEE Trans Pattern Anal Mach İntell. 2012;34(3):480–92.
Spanhol F, Oliveira LS, Petitjean C, Heutte L. Breast cancer histopathological image classification using convolutional neural network. In: International joint conference on neural networks (IJCNN 2016), Vancouver, Canada, 2016.