论文阅读Classification of breast cancer histology images using transfer learning

Posted xiangfeidemengzhu

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了论文阅读Classification of breast cancer histology images using transfer learning相关的知识,希望对你有一定的参考价值。

Classification of breast cancer histology images using transfer learning 

 技术分享图片

一、数据集

BACH 2018 grand challenge

(ICIAR 2018 Grand Challenge on BreAst Cancer Histology images) 

https://iciar2018-challenge.grand-challenge.org/home/ 

其实算得上Camelyon 16和17 的后继版本。

所不同的是,camelyon 16的数据只有WSI(whole slide images),比赛有两个任务,分别是WSI分类(是否含有肿瘤)和肿瘤位置的定位。总体来说是二类任务的分类与分割。camelyon 17 数据与16有相似之处,任务也不同,不再赘述,感兴趣可以去官网看看。

BACH也有两个任务,第一个任务是相对比较小的图片的四个阶段的分类,第二个任务是WSI中不同阶段的定位(算是四类的分割)。

BACH中第二个任务的图片分辨率极高,本文没有涉及。本文所涉及的第一个任务的图片尺寸为2048*1536 pixels(论文中写的是2040*1536,我去官网看了一下,应该是2048)。训练图片分为四类normal,benign,in situ caicinoma, invasive carcinoma。每个类别有100张图片。(这四百张其实是官方放出来的训练数据,后续还公布了测试数据,只是作者没有使用。)官网竞赛结果已经出来了,官网即可查看。本文的结果只是训练集上的结果。

作者采用train:validation:test = 60:20:20 的比例来随机划分每类图片。

 

二、预处理:

1.染色归一化:

训练图片均为Hematoxylin和Eosin染色再由光学显微镜呈现,所以色彩上会有一定的差异。需要归一化来校正载玻片制备过程中产生的误差。

以往的论文也会采用归一化的手段来处理色彩差异,本文采用了不一样的归一化方式,呈现出的效果的确不错,不知道最后的好结果是不是与特定的归一化手段有关。作者关于归一化方法是这么说的:

In this paper, we used the approach proposed by Reinhard et al. [11] which matches the statistics of color histograms of a source and target image, following transformation of the RGB images to the de-correlated LAB color space. 

其中所涉及是这篇文章:

Reinhard, E., Adhikhmin, M., Gooch, B., Shirley, P.: Color transfer between im- ages. IEEE Computer Graphics and Applications 21(5) (Sep 2001) 34-41 

 技术分享图片

2. 其他处理:

由于2018*1536对于训练来说还是过大,而每张图片只有一个标签。裁剪过大没有减少网络的负载,而裁剪尺寸过小则有可能不包含标签所指定的这一类,通常我们只有看到较大范围的信息才能确定类别。作者选择了50%重叠(overlap)的512*512进行裁剪。也就是,每张图片35patches,共14000patches。标签(label)仍然使用原图的标签。

每个patch同时采用旋转(90、180、270)+ 镜像翻转(水平,垂直),相当于原来6倍的数据量。原来320训练数据,现在67200训练数据。测试集依然是80张(没有裁剪和变换),测试集的重叠部分采用投票机制。

 

三、网络结构

作者使用了Google的Inception V3 和 ResNet50,使用了他们在ImageNet预训练的参数进行fine-tune(这就是作者所说的迁移学习)。针对上述的两个网络,作者都做了些许的改动,比如V3,作者去掉了末尾五层,增加了average global pooling,fc,softmax。ResNet50也做相应的改变。据作者说,他是想获得全局的信息来判断。 

技术分享图片
网络配置:SGD,batch_size=32, lr = 0.0001, momentum = 0.9

 

四、结果

评测指标:accuracy准确率=正确/总数 (作者分别计算了patch和全图的准确率)

官网对于该任务的评测指标也是accuracy 

 技术分享图片

作者也给出了ROC曲线,官网并没有这个指标,但是ROC确实是医学图像分类常见的指标。

 技术分享图片

个人评价:

1、归一化的部分我还需要再仔细研究一下来验证其效果。

2、迁移学习,创新性不强,算得上baseline,同时缺乏比较。可能就是因为看起来思路过于简单了。

3、训练集结果过高,反观官网给出的测试结果最高只有0.87,作者这个是否有过拟合的嫌疑有待考证。

4、数据很新,又没有用测试集,仅仅在训练集用了一种划分产生了的结果很难有说服力。可能这种情况交叉验证会好一些。但是本文创新性不够,也没啥可比较的……如果用了交叉验证,别人也好和你比一比,现在这种随机划分一次,别人复现不出来也不好说什么……

5、改变了网络末尾的结构只给了作者自己的想法,并没有用实验证明修改的正确性(感觉是硬伤)。

6、以上纯属个人瞎唠叨,说错了别打我。还是去看看染色归一化吧(这数据看起来差异还真挺大的)

 

 

 


以上是关于论文阅读Classification of breast cancer histology images using transfer learning的主要内容,如果未能解决你的问题,请参考以下文章

Automatic classification of defective photovoltaic module cells in electroluminescence images-论文阅读笔记

论文阅读Classification of breast cancer histology images using transfer learning

Detection of Rail Surface Defects Based on CNN Image Recognition and Classification-论文阅读笔记

Multi-Scale Pyramidal Pooling Network for Generic Steel Defect Classification-论文阅读笔记

论文阅读14HDLTex: Hierarchical Deep Learning for Text Classification

Convolutional Networks for Voting-based Anomaly Classification in Metal Surface Inspection-论文阅读笔记