[论文解读] Breast Cancer Image Classification Method Based on Deep Transfer Learning

Weimin Wang, Yufeng Li+3 more|arXiv (Cornell University)|Apr 14, 2024

AI in cancer detection被引用 9

一句话总结

本文提出了一种基于 DenseNet 的乳腺癌图像分类器，通过 squeeze-and-excitation 注意力模块和多阶段迁移学习实现，在 BreakHis 数据上比基线 DenseNet 变体具有更高的准确性。

ABSTRACT

To address the issues of limited samples, time-consuming feature design, and low accuracy in detection and classification of breast cancer pathological images, a breast cancer image classification model algorithm combining deep learning and transfer learning is proposed. This algorithm is based on the DenseNet structure of deep neural networks, and constructs a network model by introducing attention mechanisms, and trains the enhanced dataset using multi-level transfer learning. Experimental results demonstrate that the algorithm achieves an efficiency of over 84.0\% in the test set, with a significantly improved classification accuracy compared to previous models, making it applicable to medical breast cancer detection tasks.

研究动机与目标

• 解决传统方法中标注有限的乳腺癌病理数据和大量特征工程的问题。
• 开发一种利用迁移学习提升分类准确性的深度学习模型。
• 整合注意力机制以增强 DenseNet 内的特征融合。
• 在 BreakHis 的放大倍数下评估性能并与基线网络进行比较。

提出的方法

• 将 DenseNet 作为基础架构，在密集块和转换层中集成 squeeze-and-excitation (SE) 注意力模块。
• 应用三阶段迁移学习策略：在 ImageNet 预训练，在 LC2500 肺癌数据集上微调，然后在 BreakHis 乳腺癌图像上微调。
• 对 BreakHis 图像进行颜色归一化预处理，并通过旋转和翻转等数据增强来扩增数据集规模。
• 采用 7:1:2 的训练/验证/测试划分进行训练与评估，并报告患者级和图像级的准确性指标。
• 在 40×、100×、200×、400× 四个放大倍数下，比较三种模型（DenseNet、DenseNet+SE，以及提出的基于迁移学习的 DenseNet+SE 模型）的性能。

实验结果

研究问题

• RQ1 将 SE 注意力集成到 DenseNet 是否相较于基础 DenseNet 提高乳腺癌组织病理图像分类准确性？
• RQ2 深度迁移学习流程（ImageNet 预训练、LC2500 微调、BreakHis 微调）对分类性能有何影响？
• RQ3 提出的方法在 BreakHis 的放大倍数（40×、100×、200×、400×）下，在患者级和图像级准确性方面的表现如何？

主要发现

BreakHis 数据集	40×	100×	200×	400×
DenseNet (P_arp)	73.9	75.0	77.6	78.0
DenseNet+SE (P_arp)	78.0	78.1	78.5	78.7
Ours (P_arp)	80.1	84.3	81.2	82.4
DenseNet (P_img)	72.5	77.5	77.2	77.5
DenseNet+SE (P_img)	72.5	75.6	74.9	80.3
Ours (P_img)	78.4	79.2	79.7	84.0

• 所提出的方法在 BreakHis 的放大倍数下，在至少某些指标上优于 DenseNet 和 DenseNet+SE。
• 对于 P_arp（患者级准确性），本方法在 40×、84.3、81.2、82.4 分别达到 80.1、84.3、81.2、82.4。
• 对于 P_img（图像级准确性），本方法在 40×、100×、200×、400×分别达到 78.4、79.2、79.7、84.0。
• DenseNet+SE 在若干设定上优于 DenseNet，但所提方法在报道的结果中通常具有最高的准确性。
• 与 DenseNet+SE 相比，提出的方法模型规模和参数数量 modest 增加，但收敛时间更短，表明迁移学习下的微调更高效。