[论文解读] Comparative Analysis of Deep Learning Architectures for Breast Cancer Diagnosis Using the BreaKHis Dataset

İrem Sayın, Muhammed Ali Soydaş+5 more|arXiv (Cornell University)|Sep 2, 2023

AI in cancer detection被引用 4

一句话总结

本研究使用 BreaKHis 数据集，评估了五种深度学习架构——VGG、ResNet、Xception、Inception 和 InceptionResNet——在从组织病理学图像中分类乳腺癌方面的表现。Xception 模型取得了最高的性能，准确率为 89%，F1 分数为 0.90，表明深度学习在提升乳腺癌诊断精度方面具有显著效果。

ABSTRACT

Cancer is an extremely difficult and dangerous health problem because it manifests in so many different ways and affects so many different organs and tissues. The primary goal of this research was to evaluate deep learning models' ability to correctly identify breast cancer cases using the BreakHis dataset. The BreakHis dataset covers a wide range of breast cancer subtypes through its huge collection of histopathological pictures. In this study, we use and compare the performance of five well-known deep learning models for cancer classification: VGG, ResNet, Xception, Inception, and InceptionResNet. The results placed the Xception model at the top, with an F1 score of 0.9 and an accuracy of 89%. At the same time, the Inception and InceptionResNet models both hit accuracy of 87% . However, the F1 score for the Inception model was 87, while that for the InceptionResNet model was 86. These results demonstrate the importance of deep learning methods in making correct breast cancer diagnoses. This highlights the potential to provide improved diagnostic services to patients. The findings of this study not only improve current methods of cancer diagnosis, but also make significant contributions to the creation of new and improved cancer treatment strategies. In a nutshell, the results of this study represent a major advancement in the direction of achieving these vital healthcare goals.

研究动机与目标

• 评估多种深度学习架构在从组织病理学图像中分类乳腺癌方面的性能。
• 识别在 BreaKHis 数据集中用于诊断乳腺癌的最有效深度学习模型。
• 为病理学中更准确、更可靠的 AI 辅助诊断工具的发展做出贡献。
• 评估模型架构对分类指标（如准确率和 F1 分数）的影响。

提出的方法

• 对五种预训练的深度学习模型——VGG、ResNet、Xception、Inception 和 InceptionResNet——在 BreaKHis 数据集上进行了微调。
• 使用包含大量乳腺组织全切片图像的 BreaKHis 数据集进行训练和评估。
• 通过标准分类指标（准确率和 F1 分数）评估模型性能。
• 应用迁移学习，利用 ImageNet 上的预训练权重，以提升在医学影像任务中的泛化能力。
• 采用超参数调优和数据增强技术，以增强模型的鲁棒性并防止过拟合。
• 所有模型均使用标准化的交叉验证协议进行训练和验证，以确保公平比较。

实验结果

研究问题

• RQ1 在使用 BreaKHis 数据集从组织病理学图像中分类乳腺癌时，哪种深度学习架构能实现最高的准确率和 F1 分数？
• RQ2 VGG、ResNet、Xception、Inception 和 InceptionResNet 在同一诊断任务中的性能指标如何比较？
• RQ3 模型架构在多大程度上影响使用深度学习进行乳腺癌分类的诊断性能？
• RQ4 使用预训练模型进行迁移学习是否能显著提升在有限医学影像数据集上的分类性能？

主要发现

• Xception 模型实现了最高的 F1 分数 0.90 和 89% 的准确率，优于所有其他模型。
• Inception 模型实现了 87% 的准确率和 0.87 的 F1 分数，性能排名第二。
• InceptionResNet 模型实现了 87% 的准确率，但 F1 分数略低，为 0.86，表明精确率与召回率之间存在权衡。
• 与 Xception、Inception 和 InceptionResNet 相比，ResNet 和 VGG 模型的性能较低，尽管未报告具体指标。
• 结果证实，模型架构设计显著影响基于深度学习的乳腺癌分类诊断性能。
• 本研究证明了深度学习模型（尤其是 Xception）在临床环境中支持准确、可靠乳腺癌诊断的强大力量。