核心概念
限られたサンプル数、時間のかかる特徴設計、低精度の検出と分類を解決するため、深層学習と転移学習を組み合わせた乳がん画像分類モデルアルゴリズムを提案する。
摘要
本研究は、乳がん病理画像の分類精度向上を目的として、深層学習と転移学習を組み合わせた手法を提案している。具体的には以下の通り:
- DenseNetをベースとしたニューラルネットワークモデルを採用し、注意機構を導入して性能を向上させる。
- まず、ImageNetデータセットを用いて浅層部分の事前学習を行う。
- その後、肺がんデータセットを用いて深層部分の事前学習を行う。
- 最後に、前処理と拡張を施した乳がんBreakHisデータセットを用いて fine-tuningを行う。
- 実験の結果、提案手法は84.0%以上の精度を達成し、従来手法と比べて大幅な精度向上を示した。
このように、深層転移学習の活用により、限られた医療画像データでも高精度な乳がん分類が可能となった。今後は、分類精度と解釈性のバランスを取ることが重要な研究課題となる。
统计
乳がん病理画像データセットBreakHisには、合計7,909枚の画像が含まれ、そのうち2,480枚が良性、5,429枚が悪性である。
データセットは40倍、100倍、200倍、400倍の4つの倍率で撮影された画像から構成される。
引用
"深層学習は大量のデータに依存しており、データセットが大きいほど分類精度の向上に役立つ。しかし、医療画像の場合、大規模なデータセットを取得することは困難である。"
"深層学習モデルの深さを増やしても、必ずしも分類精度が向上するわけではなく、むしろ性能の劣化を招く可能性がある。"