利用超参数优化优化CNN模型以增强组织病理学图像分类的坚固性-研究论文

【文件属性】：
文件名称：利用超参数优化优化CNN模型以增强组织病理学图像分类的坚固性-研究论文
文件大小：1.01MB
文件格式：PDF
更新时间：2021-05-20 17:55:44
Computer Aided Diagnosis (CAD) CNN 病理学领域的发展如此Swift，以至现在可以使用数字扫描仪从玻璃载玻片上产生完整的载玻片图像（WSI），从而产生高质量的图像。 应用于此类数字化图像的图像分析算法有助于自动诊断任务，同时协助医学专家。 在组织病理学图像中成功检测恶性肿瘤在很大程度上取决于放射科医生的专业知识，尽管他们有时会不同意他们的决定。 计算机辅助诊断为诊断中的第二意见提供了平台，可以提高专家意见的可靠性。 与传统方法相比，深度学习提供了令人鼓舞的结果，传统方法依赖于手动提取特征，这既费时又费力。 由于巨大的尺寸，整个幻灯片图像会转换为补丁并使用卷积神经网络（CNN）进行训练，而卷积神经网络是图像深度学习模型的一种变体。 实验结果表明，与现有的预训练模型相比，所提出的本机模型的分段分类精度达到了92.8％，ROC曲线下面积为0.97，接近该值。