多尺度特征融合的改进残差网络乳腺癌病理图像分类
Improved Residual Network Classification of Breast Cancer Pathological Images Based on Multi-Scale Feature Fusion作者机构:南京信息工程大学电子与信息工程学院南京210044 东部战区总医院放疗科南京210002
出 版 物:《中国生物医学工程学报》 (Chinese Journal of Biomedical Engineering)
年 卷 期:2024年第43卷第4期
页 面:419-428页
核心收录:
学科分类:0831[工学-生物医学工程(可授工学、理学、医学学位)] 08[工学] 0836[工学-生物工程]
基 金:国家重点研发计划(2021YFE0105500) 国家自然科学基金(62171228) “江苏高校‘青蓝工程’资助”
主 题:乳腺癌病理图像 深度学习 残差网络 注意力机制 多尺度特征融合
摘 要:现有模型病理特征提取不充分以及开源数据集各类型数量不平衡等问题,使得乳腺癌病理图像的多分类研究仍具挑战性。本研究提出了一种多尺度特征融合的改进残差网络乳腺癌病理图像多分类方法。首先,以ResNet101残差网络作为基础,将CBAM注意力模块插入到每一个残差块中;接着,为了优化特征提取,将横向和纵向的多尺度特征融合集成到残差网络中;最后,引入焦点损失函数以解决数据分配不平衡问题。经BreakHis公开数据集混合放大倍数1582张病理图像训练验证,所提出的改进残差网络在乳腺癌病理图像八分类上的识别准确率为94.4%,较原始模型提升2.8%,优于大多数已有公开深度学习模型。该模型的提出为女性乳腺癌的筛查诊断和病理分类提供了更为有效的方法。