首页|非局部卷积残差学习模型的病理图像分类方法

非局部卷积残差学习模型的病理图像分类方法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对组织病理学图像癌细胞分布随机性强、分布广泛的特点,且常见的卷积神经网络(conv-olutional neural network,CNN)难以直接获取长范围依赖关系的问题,本文采用基于迁移学习的ResNet与优化后的Non-local Net相结合的非局部卷积残差模型,融合了位置和通道特征,在图像中提取全局信息选择有价值的区域进行分类.本文采用BreakHis数据集进行实验,针对数据集良恶性样本分布极不均衡的问题,采用Random-SMOTE算法平衡良恶性样本,强化模型学习少数类别特征的能力.在不区分倍数的数据集上,本文提出方法的PR、RE、SP和ACC分别达到93.28％、98.71％、98.67％和98.70％;在已知倍数的数据集上,上述指标也更高.与乳腺癌组织病理学分类中常用的算法相比,本文提出的方法具有更好的性能.
Pathological image classification based on non-local convolution residual learning model

non-local convolutionresidual blockattention mechanismbreast cancer classification

刘敏、何智子、林坤、胡兰兰、曾春艳

展开 >

湖北工业大学电气与电子工程学院,湖北武汉430068

湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室,湖北武汉430068

湖北工业大学新能源及电网装备安全监测湖北省工程研究中心,湖北武汉 430068

非局部卷积 残差块 注意力机制 乳腺癌分类

国家自然科学基金

61901165

2023

10.16136/j.joel.2023.06.0344

光电子·激光
天津理工大学 中国光学学会

光电子·激光

CSCD北大核心
影响因子：1.437
ISSN：1005-0086
年,卷(期)：2023.34(6)
  • 1