[论文解读] Inception Architecture and Residual Connections in Classification of Breast Cancer Histology Images

Mohammad Ibrahim Sarker, Hyongsuk Kim+2 more|arXiv (Cornell University)|Dec 10, 2019

AI in cancer detection参考文献 17被引用 4

一句话总结

该论文将Inception v4架构结合残差连接，用于分类ICIAR-2018挑战赛中的乳腺癌组织病理学图像，采用大量数据增强和集成学习方法。在四分类任务中取得89%的准确率，在二分类（癌性/非癌性）任务中达到93.7%的准确率，位列50支参赛队伍中的第23名。

ABSTRACT

This paper presents results of applying Inception v4 deep convolutional neural network to ICIAR-2018 Breast Cancer Classification Grand Challenge, part a. The Challenge task is to classify breast cancer biopsy results, presented in form of hematoxylin and eosin stained images. Breast cancer classification is of primary interest to the medical practitioners and thus binary classification of breast cancer images have been under investigation by many researchers, but multi-class categorization of histology breast images have been challenging due to the subtle differences among the categories. In this work extensive data augmentation is conducted to reduce overfitting and effectiveness of committee of several Inception v4 networks is studied. We report 89% accuracy on 4 class classification task and 93.7% on carcinoma/non-carcinoma two class classification task using our test set of 80 images.

研究动机与目标

• 解决乳腺癌组织病理学图像中类别间细微形态差异带来的多分类挑战。
• 通过应用大量数据增强，减少过拟合，提升深度学习模型的泛化能力。
• 评估使用多个Inception v4网络进行集成学习在提升分类性能方面的有效性。
• 在H&E染色的乳腺活检图像中，实现二分类（癌性/非癌性）和多分类（四类别）任务的高准确率。

提出的方法

• 本研究采用Inception v4架构，通过并行使用多种尺寸的卷积滤波器捕捉多尺度特征。
• 在Inception v4网络中引入残差连接，以简化深层网络的训练并改善梯度流动。
• 应用大量数据增强，包括随机裁剪、翻转、旋转和颜色抖动，以增加训练数据的多样性并减少过拟合。
• 采用多个训练好的Inception v4模型的集成，通过投票或平均策略提高预测的鲁棒性和准确性。
• 模型在ICIAR-2018乳腺癌分类大赛数据集上进行训练和评估，测试集包含80张图像。
• 使用标准指标进行评估，包括准确率，结果在四分类和二分类任务上均有报告。

实验结果

研究问题

• RQ1 结合残差连接的Inception v4架构能否有效分类乳腺癌类型之间的细微组织学差异？
• RQ2 大量数据增强对有限医学影像数据集上模型泛化能力和性能有何影响？
• RQ3 使用多个Inception v4模型进行集成学习是否能提升单个模型的分类准确率？
• RQ4 在二分类和多分类乳腺癌组织病理学图像分类任务中，可达到何种性能水平？

主要发现

• 在四分类任务中，模型取得了89%的准确率，表明其在细粒度组织学差异识别方面表现优异。
• 在二分类（癌性/非癌性）任务中，模型在80张图像的测试集上达到93.7%的准确率。
• 大量数据增强显著减少了过拟合，在验证集和测试集上均提升了模型的泛化能力。
• 多个Inception v4网络的集成优于单个模型，表明其具备更高的鲁棒性和预测稳定性。
• 该方法在ICIAR-2018乳腺癌分类大赛中位列50支参赛队伍中的第23名。