Mikroskobik histopatolojik görüntülerle meme kanseri tespiti: Bir transfer öğrenme yaklaşımı

Histolojik görüntülerden özelliklerin çıkarılması, bilgisayar destekli meme kanseri tespitinin zorlu bir parçasıdır. Bu çalışma, BreaKhis veri kümesini kullanarak Meme algılama tabanlı aktarım öğrenme yaklaşımının alt türleri için yeni bir derin özellik çıkarma mühendisliği sunmaktadır. Bu yaklaşım beş aşamadan oluşur: özellik çıkarma, birleştirme, dönüştürme, seçme ve sınıflandırma. İlk aşamada, girdi görüntülerinden öznitelik çıkarmak için on dokuz önceden eğitilmiş evrişimsel sinir ağı öznitelik çıkarıcı olarak kullanılmıştır. Bu aşamada kayıp değeri fonksiyonunu hesaplamak için destek vektör makineleri kullanıldı. Sınıflandırma aşamasında sınıflandırıcı olarak kullanılmıştır. Öznitelik çıkarma sonuçlarına göre, iki ağ, diğer ağlardan daha iyi performans göstererek, veri seti üzerinde en yüksek doğruluğa ulaşmıştır. Göz önünde bulundurulan iki ağ, ResNet50 ve DenseNet201 önceden eğitilmiş ağların bir kombinasyonu olan DRNet modelini üretmek için seçilmiş ve birleştirilmiştir. Çıkarılan öznitelikler, dönüşüm aşamasında çok düzeyli ayrık dalgacık dönüşümü kullanılarak beş alt-el düşük düzey özniteliğe ayrıştırılmıştır. Sınıflandırma aşamasında gereken minimum öznitelik sayısını seçmek için yinelemeli komşuluk bileşeni analizi kullanılmıştır. Son aşamada sınıflandırıcı olarak kübik destek vektör makineleri ve k-en yakın komşular kullanılmıştır. k-en yakın komşu 40×, 100×, 200× ve 400× büyütme seviyelerinde sırasıyla %98,74, %97,7, %97,3 ve %98'lik bir ortalama sınıflandırma oranı doğruluğu üretti; burada destek vektör makineleri bir ortalama üretti 40×, 100×, 200× ve 400× büyütme seviyelerinde sırasıyla %98,61, %98,04, %97,68 ve %97,71 sınıflandırma oranı doğruluğu, tek elde tüm ve 10 kat çapraz doğrulama kullanılarak yöntem.