• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于聯(lián)合訓(xùn)練的分類器的乳腺癌圖像分類

    2023-06-02 06:33:08張晉凱白艷萍梅銀珍
    計(jì)算機(jī)測量與控制 2023年5期
    關(guān)鍵詞:乳腺癌分類模型

    張晉凱,高 翔,王 鵬,白艷萍,梅銀珍

    (中北大學(xué) 數(shù)學(xué)學(xué)院,太原 030051)

    0 引言

    根據(jù)世界衛(wèi)生組織國際癌癥研究機(jī)構(gòu)(IARC)的最新統(tǒng)計(jì)數(shù)據(jù)顯示:2021年乳腺癌成為全球發(fā)病率最高的癌癥,其發(fā)病率和死亡率均為女性癌癥首位,并且整體發(fā)病率呈上升和年輕化趨勢[1]。因此,乳腺腫瘤的早期檢測和診斷治療顯得格外重要。目前組織病理學(xué)分析是乳腺癌診斷的主要方法。病理學(xué)家根據(jù)活檢獲得的病理圖像來判斷乳腺癌良惡性[2]。但是由于病理圖像本身的復(fù)雜度會導(dǎo)致病理學(xué)家有細(xì)微的診斷分歧進(jìn)而減緩診斷效率,并且長時間工作也會影響診斷的結(jié)果甚至是誤判,從而需要大量人力物力來分析病理學(xué)圖像。近年來,利用機(jī)器學(xué)習(xí)診斷乳腺癌的計(jì)算機(jī)自動識別技術(shù)愈發(fā)成熟,它通過分析大量的乳腺癌病理圖像數(shù)據(jù)來提高診斷的準(zhǔn)確率與效率。卷積神經(jīng)網(wǎng)絡(luò)提取組織病理學(xué)圖像特征后,利用機(jī)器學(xué)習(xí)模型來對乳腺癌圖像進(jìn)行分析,進(jìn)行乳腺癌良惡性分類。

    Spanhol等[3]利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取與之前使用手工制作的紋理描述符進(jìn)行比較,并使用最近鄰算法、支持向量機(jī)、決策樹、隨機(jī)森林等不同的分類器對乳腺癌病理圖像特征分類,實(shí)現(xiàn)了識別率的提高。Hou等[4]采用數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)來改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)模型對乳腺癌病理圖像進(jìn)行自動分類,既加快了訓(xùn)練速度不需要重新訓(xùn)練初始化權(quán)重又避免訓(xùn)練圖像樣本量少而出現(xiàn)深度學(xué)習(xí)模型過擬合。Hameed等[5]提出一種集成深度學(xué)習(xí)方法來對癌類和非癌類的乳腺癌組織病理學(xué)圖像進(jìn)行分類,其采用經(jīng)過預(yù)訓(xùn)練微調(diào)的VGG16和VGG19網(wǎng)絡(luò)模型的集合預(yù)測概率的平均值來提升單模型分類的性能指標(biāo)。于凌濤等[6]采用基于Inceptionv3架構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)和圖像分塊化思想對乳腺癌病理圖像數(shù)據(jù)集良惡性分類。Sharma等[7]對比分析了基于手工制作的顏色、紋理等特征與基于預(yù)訓(xùn)練網(wǎng)絡(luò)作為特征提取器分別來訓(xùn)練傳統(tǒng)分類器支持向量機(jī)的乳腺癌組織病理學(xué)圖像分類性能,表明使用預(yù)訓(xùn)練網(wǎng)絡(luò)作為特征提取器表現(xiàn)出更好的性能。Yurttakal等[8]采用梯度提升和深度學(xué)習(xí)的堆疊集成模型診斷乳腺癌腫瘤,結(jié)果表明集成模型優(yōu)于一些單一的機(jī)器學(xué)習(xí)方法。由于數(shù)據(jù)集訓(xùn)練樣本數(shù)量少以及癌細(xì)胞的粘連性和顏色分布不均勻等問題,現(xiàn)階段研究大多是乳腺癌良惡性二元分類,對良惡性子類分類研究較少,為了進(jìn)一步滿足臨床應(yīng)用的需求,Han等[9]提出了一種結(jié)構(gòu)化深度卷積神經(jīng)網(wǎng)絡(luò)模型,對類內(nèi)和類間分層特征空間自動學(xué)習(xí)低級到高級的語義特征和判別性分層特征,用于對相似度高的不同類別精準(zhǔn)化多分類,實(shí)驗(yàn)表明模型多分類精度較高且具有一定穩(wěn)定性。利用卷積神經(jīng)網(wǎng)絡(luò)可以提取出不同類別病理圖像的局部細(xì)節(jié)特征和全局結(jié)構(gòu)特征,但對提取的特征進(jìn)行分析訓(xùn)練分類器進(jìn)而準(zhǔn)確的進(jìn)行圖像分類也是重中之重。

    現(xiàn)有的關(guān)于乳腺癌病理圖像分析的模型大多基于單一的模型和集成學(xué)習(xí)[10]模型,單一分類器模型分類精確率不高,集成分類器模型也存在著模型復(fù)雜、參數(shù)量多導(dǎo)致的計(jì)算量大和訓(xùn)練時間過長的問題。本文構(gòu)建了聯(lián)合訓(xùn)練的分類器的乳腺癌病理圖像分析模型,通過貝葉斯優(yōu)化對幾種分類器共同訓(xùn)練尋找最優(yōu)超參數(shù)以提升分類器模型的準(zhǔn)確率,來輔助醫(yī)生進(jìn)行診斷。在提高醫(yī)生的工作效率的同時減少因經(jīng)驗(yàn)不足而導(dǎo)致的誤診或漏診病例的現(xiàn)象。

    1 方法與原理

    1.1 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)(CNN,convolutional neural network)的研究始于20世紀(jì)80至90年代,到21世紀(jì)后,隨著深度學(xué)習(xí)理論的提出、數(shù)值計(jì)算設(shè)備的改進(jìn)以及各種標(biāo)準(zhǔn)的數(shù)據(jù)集的出現(xiàn),卷積神經(jīng)網(wǎng)絡(luò)得到了快速發(fā)展,一些卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典模型層出不窮,比如VGG[11]、ResNet、DenseNet[12]等。

    在乳腺癌組織病理學(xué)圖像中,不管是輪廓、邊緣、紋理等局部細(xì)節(jié)更豐富的低層特征,還是通過深層卷積網(wǎng)絡(luò)得到的感受野更大的、全局信息更多的高層特征都包含很多的圖像特征信息。在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)中,如果有L層,那么有L個連接,基于 DenseNet 的卷積神經(jīng)網(wǎng)絡(luò)將每一層所有的特征圖進(jìn)行通道拼接,然后作為輸入傳遞給之后所有層,通過建立前面所有層與后面每一層的密集連接來實(shí)現(xiàn)特征重用,如果一個DenseNet網(wǎng)絡(luò)有L層,那么其有L(L+1)/2個連接。這種連接方式不僅加強(qiáng)了特征的傳遞,緩解了深層網(wǎng)絡(luò)梯度消失的問題,而且減少了參數(shù)量避免過擬合。這些特點(diǎn)讓DenseNet在參數(shù)和計(jì)算成本更少的情形下比其他卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)更優(yōu)的性能。因此本文采用DenseNet201預(yù)訓(xùn)練網(wǎng)絡(luò)來提取乳腺癌圖像卷積特征。如圖1所示,DenseNet201模型包含4個稠密塊,每個稠密塊由多個1×1卷積層,3×3卷積層構(gòu)成的塊(block)組成。各個稠密塊中block的數(shù)量分別為6,12,48,32。稠密塊越多相對應(yīng)通道數(shù)也增加,模型也更加復(fù)雜。所以稠密塊后面是1×1卷積層和步幅為2的2×2平均池化層組成的過渡塊,卷積層用來降低通道數(shù),池化層進(jìn)一步降低模型復(fù)雜度,最后一個稠密塊后面沒有過渡塊。另外,通過遷移學(xué)習(xí)將在ImageNet數(shù)據(jù)集預(yù)訓(xùn)練好的模型參數(shù)在新的全連接層和輸出層進(jìn)行訓(xùn)練和微調(diào),加快訓(xùn)練速度。

    圖1 包含4個稠密塊的DenseNet201結(jié)構(gòu)圖

    1.2 分類器

    分類器[13]是一種機(jī)器學(xué)習(xí)技術(shù),它可以用來將輸入數(shù)據(jù)分類到不同的類別中。它的基本原理是,通過學(xué)習(xí)訓(xùn)練數(shù)據(jù),構(gòu)建一個模型,用于將新的輸入數(shù)據(jù)分類到正確的類別中。分類器可以用于許多不同的應(yīng)用,包括文本分類、圖像分類、語音識別等。分類器首先從訓(xùn)練數(shù)據(jù)中提取特征,然后,使用這些特征構(gòu)建一個模型,用于將新的輸入數(shù)據(jù)分類到正確的類別中。分類器可以使用不同的算法,比如支持向量機(jī)[14]、K最鄰近法[15]、決策樹、樸素貝葉斯[16]等。這些算法都有自己的優(yōu)點(diǎn)和缺點(diǎn),因此,在使用分類器時,需要根據(jù)實(shí)際情況選擇合適的算法。分類器主要目標(biāo)是盡可能地逼近真正的分類模型,有效地提取輸入數(shù)據(jù)的特征,并且減少參數(shù)的數(shù)量來降低模型的復(fù)雜度,提高模型的泛化能力和可解釋性。

    1.2.1 支持向量機(jī)

    支持向量機(jī)(SVM,support vector machine)是一個機(jī)器學(xué)習(xí)的過程,一般來講,它是一種二分類模型,其基本模型定義為使特征空間間隔最大的線性分類器,它的學(xué)習(xí)策略是通過在高維空間中尋找一個最大間隔分類超平面,將不同類別的數(shù)據(jù)樣本點(diǎn)分開而使不同類別的點(diǎn)之間的間隔最大,將目標(biāo)函數(shù)優(yōu)化問題最終轉(zhuǎn)化為一個凸二次規(guī)劃問題的求解。由于現(xiàn)實(shí)問題中樣本并不總是線性可分的,因此引入核函數(shù)的思想,將樣本從原始空間映射到一個更高維的特征空間,找到合適的超平面,并通過序列最小優(yōu)化算法求解。SVM模型分類性能的好壞很大程度上取決于模型參數(shù)的選擇,SVM中核函數(shù)參數(shù)g和懲罰因子C是決定SVM性能的重要參數(shù)。

    1.2.2 其他分類器

    K最鄰近法(KNN,k-nearest neighbor)是一種基于距離的分類方法,待求數(shù)據(jù)樣本的類別是根據(jù)特征空間中最鄰近的k個數(shù)據(jù)樣本的類別來決定的。它的基本原理是,首先按照新樣本數(shù)據(jù)特征與訓(xùn)練樣本特征的距離進(jìn)行排序,然后根據(jù)與其最鄰近的k個樣本類別所屬最多來判定新樣本的類別。如果這k個樣本大多數(shù)屬于某一個類別,則該樣本也屬于這個類別以及具有這個類別上樣本的特性,否則再按照某種判別規(guī)則確定新樣本類別。

    決策樹(DT,decision tree)通過構(gòu)建一種樹形結(jié)構(gòu)來描述一系列的決策過程,根據(jù)決策過程將樣本進(jìn)行分類。它的每個內(nèi)節(jié)點(diǎn)表示一個屬性特征,每個葉節(jié)點(diǎn)代表一個類別輸出,我們希望根據(jù)最少的內(nèi)節(jié)點(diǎn)可以將所有樣本盡可能劃分到同一類別中即葉子節(jié)點(diǎn)上,也就是說最重要一點(diǎn)是選擇最優(yōu)的劃分特征。決策樹模型訓(xùn)練復(fù)雜度低但不夠穩(wěn)定,訓(xùn)練數(shù)據(jù)輕微變化可能導(dǎo)致節(jié)點(diǎn)選擇不同,通過一定剪枝策略來避免數(shù)據(jù)的過擬合。

    樸素貝葉斯(NB,naive bayesian)是一種基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法,它用后驗(yàn)概率來判斷樣本類別,樸素貝葉斯模型假設(shè)特征之間相互獨(dú)立,首先根據(jù)已知分類的訓(xùn)練樣本集計(jì)算在各類別下各個特征屬性的條件概率估計(jì),然后根據(jù)貝葉斯定理和各個類別、特征的概率來判斷樣本最大概率的類別。樸素貝葉斯模型可以處理多類別問題而且泛化能力也較強(qiáng),在特征獨(dú)立假設(shè)的前提下與其他分類方法相比具有最小的誤差率。

    集成學(xué)習(xí)通過將多個相同分類器或多個分類性能不同的簡單分類器組合在一起對應(yīng)同一樣本數(shù)據(jù)的判斷結(jié)果來達(dá)到學(xué)習(xí)的目的。它不要求每個學(xué)習(xí)器性能最好,但多個學(xué)習(xí)器博采眾長來選擇分類最優(yōu)結(jié)果,其預(yù)測精度和穩(wěn)定性相比較于單一分類器大部分都提到了提升,但本質(zhì)上沒有改變單個分類器分類準(zhǔn)確率,是通過一定的組合策略來提高分類器準(zhǔn)確率。隨機(jī)森林就是一種以決策樹作為基預(yù)測器的集成學(xué)習(xí)方法。

    1.2.3 貝葉斯優(yōu)化

    貝葉斯優(yōu)化[17](BO,bayesian optimisation)是一種利用先驗(yàn)知識逼近未知目標(biāo)函數(shù)的后驗(yàn)分布從而調(diào)節(jié)超參數(shù)的超參數(shù)優(yōu)化算法。其通過高斯過程建立目標(biāo)函數(shù)的概率模型,并用它來選擇最優(yōu)的超參數(shù)來評估真實(shí)的目標(biāo)函數(shù)。我們的目標(biāo)并不是使用盡可能多的數(shù)據(jù)點(diǎn)完全推斷未知的目標(biāo)函數(shù),而是希望能選取獲得最優(yōu)性能的超參數(shù),即求得最大化目標(biāo)函數(shù)的超參數(shù),因此超參數(shù)選擇就可以看作為一種最優(yōu)化問題。根據(jù)目標(biāo)函數(shù)的初始候選解集合找到下一個最佳觀測點(diǎn),該點(diǎn)具有高均值或高方差來避免陷入局部最優(yōu),并將該點(diǎn)加入集合中,重復(fù)這一步驟,直至迭代終止,從而最快找到全局最優(yōu)解。網(wǎng)格搜索通過窮舉模型所有超參數(shù)組合來尋找最優(yōu)超參數(shù),當(dāng)模型超參數(shù)多時優(yōu)化速度慢且針對非凸問題容易陷入局部最優(yōu)。隨機(jī)搜索通過隨機(jī)探索超參數(shù)空間的值,但它求解過程中沒有利用之前已搜索點(diǎn)的信息,因此貝葉斯優(yōu)化比網(wǎng)格搜索和隨機(jī)搜索更為有效。

    單個分類器都可進(jìn)行超參數(shù)優(yōu)化來尋找模型性能最佳的超參數(shù),進(jìn)而減少模型損失提高分類精度。本文使用貝葉斯優(yōu)化的支持向量機(jī)(BO-SVM)來進(jìn)行對比。采用徑向基核函數(shù)訓(xùn)練SVM分類器,并通過使用貝葉斯超參數(shù)優(yōu)化SVM中核函數(shù)參數(shù)g和懲罰因子C,找到最小化五折交叉驗(yàn)證損失的超參數(shù)。

    徑向基核函數(shù):

    (1)

    加入懲罰因子C后,支持向量機(jī)優(yōu)化的目標(biāo)函數(shù)和約束條件:

    (2)

    1.2.4 聯(lián)合訓(xùn)練的分類器

    現(xiàn)有的關(guān)于乳腺癌病理圖像分析的模型大多基于單一分類器模型和集成分類器模型。單一分類器優(yōu)化是對自身超參數(shù)尋找最優(yōu)結(jié)果,當(dāng)單個分類器無法很好地學(xué)習(xí)樣本時,模型的泛化能力會受到影響,分類器在測試集上的表現(xiàn)也會變差。為了提高模型的準(zhǔn)確率,可以使用集成分類器模型,它通過為每種分類器找到最佳超參數(shù),并通過集成學(xué)習(xí)策略構(gòu)建集成分類器來增強(qiáng)泛化能力。總體來說,集成分類器模型是在結(jié)合的多個單分類器模型優(yōu)化結(jié)果中尋找最優(yōu)結(jié)果,其泛化能力是遠(yuǎn)大于單個分類器的泛化能力的,但它并不改變單分類器分類準(zhǔn)確率。而且隨著基分類器個數(shù)的增加模型復(fù)雜度變高,訓(xùn)練時間也會變長。

    本文針對這些問題提出一種聯(lián)合訓(xùn)練的分類器,不是根據(jù)超參數(shù)優(yōu)化迭代結(jié)果直接優(yōu)化單一分類器,而是先聯(lián)合多個分類器SVM、KNN、決策樹、隨機(jī)森林和樸素貝葉斯對超參數(shù)觀測感知域進(jìn)行擴(kuò)大以便有損失更小的估計(jì)點(diǎn),再根據(jù)估計(jì)點(diǎn)來迭代優(yōu)化超參數(shù)進(jìn)而聯(lián)合訓(xùn)練出擬合性能較好的分類器。這既汲取不同分類器模型的可取之處來增強(qiáng)泛化能力又加大了模型觀測域,在避免陷入局部最優(yōu)的同時提升分類準(zhǔn)確率。圖2為尋找觀測最小值與估計(jì)最小值的優(yōu)化過程,根據(jù)最小觀測值找到損失最小的估計(jì)點(diǎn)方向,下一輪迭代繼續(xù)朝這個方向?qū)ふ易钚」烙?jì)點(diǎn),如果使損失降低,根據(jù)找到的估計(jì)點(diǎn)更新擬合函數(shù),如果到某一個值優(yōu)化梯度成負(fù)方向則到達(dá)局部最優(yōu),通過增加隨機(jī)數(shù)擾動跳出局部最優(yōu)找到下一個梯度變正的點(diǎn),直到迭代結(jié)束。那么損失最小的觀測點(diǎn)和估計(jì)點(diǎn)也就找到了。表1為高斯擬合目標(biāo)函數(shù)迭代步驟。

    表1 高斯過程擬合目標(biāo)函數(shù)步驟

    圖2 尋找觀測值與估計(jì)值的優(yōu)化過程

    表2為某一組數(shù)據(jù)聯(lián)合訓(xùn)練的分類器迭代優(yōu)化過程。由表可得出,迭代次數(shù)為13,KNN模型為最佳觀測分類器,其超參數(shù)Num Neighbors為7;迭代次數(shù)為61,KNN模型為最佳估計(jì)分類器即返回的模型為KNN模型,其超參數(shù)Num Neighbors為16。

    2 實(shí)驗(yàn)結(jié)果與分析

    2.1 數(shù)據(jù)集

    2016年,Spanhol等人[18]發(fā)布了BreakHis乳腺癌組織病理圖像公開數(shù)據(jù)集。該數(shù)據(jù)集包含了來自82位患者的7 909幅乳腺癌良惡性組織病理圖像,其中良性2 480例,惡性5 429例。本文根據(jù)不同放大倍數(shù)40×、100×、200×、400×分為4組數(shù)據(jù),針對每組數(shù)據(jù),隨機(jī)將圖像的70%作為訓(xùn)練集,圖像的30%作為測試集,具體分布情況如表3所示。

    表3 按放大倍數(shù)的良惡性分類圖片數(shù)目

    良性和惡性乳腺腫瘤又各包括4種子類,良性子類包括腺病(A)、纖維腺瘤(F)、葉狀腫瘤(PT)、管狀腺瘤(TA);惡性子類包括導(dǎo)管癌(DC)、小葉癌(LC)、粘液癌(MC)、乳頭狀癌(PC)。

    2.2 評價指標(biāo)

    本文主要的評價指標(biāo)是圖像級準(zhǔn)確率,令Nrec_I為分類正確的圖片數(shù)量,N為測試集樣本的數(shù)量,則圖像級準(zhǔn)確率定義為:

    (3)

    為了更直觀的反映真實(shí)的良惡性樣本與預(yù)測的良惡性樣本的差異,進(jìn)一步評估本文方法的乳腺癌圖像識別性能,本文采用混淆矩陣來對分類結(jié)果進(jìn)行分析,以及敏感性,特異性,精確率和F1_score四種評價指標(biāo)。敏感性表示在所有惡性樣本中惡性樣本被診斷正確的概率,特異性表示在所有良性樣本中良性樣本被診斷正確的概率,精確率表示被診斷為惡性的樣本中診斷正確的概率,F(xiàn)1_score是敏感性和精確率的調(diào)和平均數(shù),來平衡兩者使其同時達(dá)到最高。

    2.3 結(jié)果比較

    根據(jù)單一分類器與本文所提出的聯(lián)合訓(xùn)練的分類器的比較,實(shí)驗(yàn)結(jié)果如表4所示??梢钥闯鰺o論是對單一分類器SVM,還是對超參數(shù)優(yōu)化后的BO-SVM,聯(lián)合訓(xùn)練的分類器對不同放大倍數(shù)的圖像分類準(zhǔn)確率都得到了提升,在40×、100×、200×、400×下得到的準(zhǔn)確率分別為99.67%、98.08%、99.01%、96.34%。結(jié)果表明本文提出的聯(lián)合訓(xùn)練的分類器一定程度上能有效提高乳腺癌病理圖像識別準(zhǔn)確率。

    表4 圖像層面的準(zhǔn)確率

    圖3為不同放大倍數(shù)下的混淆矩陣。橫坐標(biāo)表示樣本的預(yù)測標(biāo)簽,縱坐標(biāo)表示樣本的真實(shí)標(biāo)簽。從圖3可以看出,良性樣本被誤判為惡性樣本的數(shù)量并不多,反而400倍數(shù)惡性樣本被誤判為良性樣本的數(shù)量比較多,說明樣本不均衡對該模型二分類的影響并不大。但是由于400倍數(shù)圖像放大倍數(shù)過大,圖像中包含更多精確的病灶位置局部信息,缺少了全局信息,導(dǎo)致識別準(zhǔn)確率較低。

    圖3 二分類不同放大倍數(shù)的混淆矩陣

    乳腺癌組織病理圖像良惡性分類是為了更好的幫助病理學(xué)家來對患者進(jìn)行檢測。將良性誤分類為惡性可能會花費(fèi)一定時間來重新檢測,而將惡性誤分類為良性則可能導(dǎo)致患者錯失最佳治療時間。則敏感性越高,可以越快讓病人得到及時治療,表5中4種放大倍數(shù)的敏感性分別為99.51%,97.91%,99.28%,93.24%,很大程度上避免了乳腺癌惡性被漏診的情況。F1_score分別為99.22%,97.16%,98.84%,95.94%,也說明了惡性樣本在不漏診的同時也有較高的精確率。

    表5 不同放大倍數(shù)下的良惡性識別結(jié)果

    表6為與文獻(xiàn)中幾種方法的比較,文獻(xiàn)[19-21]以Protocol原則劃分?jǐn)?shù)據(jù)集,文獻(xiàn)[21-22]以圖像為單位劃分?jǐn)?shù)據(jù)集,所用數(shù)據(jù)集和數(shù)據(jù)集劃分比例均與本文一致,其中訓(xùn)練集70%,測試集30%。對比圖像級準(zhǔn)確率可以看出,在40×和200×的放大倍數(shù)上,本文方法的識別準(zhǔn)確率均高于文獻(xiàn)中方法的識別準(zhǔn)確率。在100×和400×放大倍數(shù)上,文獻(xiàn)[21]的識別準(zhǔn)確率略高于本文方法,而其他文獻(xiàn)的識別準(zhǔn)確率均比本文的較低??梢钥闯鱿噍^于文獻(xiàn)中提出的方法,本文方法在乳腺癌組織病理學(xué)圖像識別問題中是有效的,但依然有提升的空間。

    表6 與其他方法的圖像級準(zhǔn)確率對比

    為了更好的評估實(shí)驗(yàn)結(jié)果,我們又對不同的子類準(zhǔn)確率進(jìn)行了比較,圖4是其對應(yīng)的混淆矩陣。A表示腺病,F(xiàn)表示纖維腺瘤,PT表示葉狀腫瘤,TA表示管狀腺瘤,DC表示導(dǎo)管癌,LC表示小葉癌,MC表示粘液癌,PC表示乳頭狀癌。可以看出,由于導(dǎo)管癌的樣本數(shù)量遠(yuǎn)遠(yuǎn)超過其他子類,樣本嚴(yán)重不均衡導(dǎo)致識別結(jié)果偏向于樣本多的類,子類圖像的準(zhǔn)確率還有待提升。

    圖4 八分類不同放大倍數(shù)的混淆矩陣

    3 結(jié)束語

    本文針對單一分類器超參數(shù)觀測域小提出了一種聯(lián)合訓(xùn)練的分類器。通過聯(lián)合幾種分類器擴(kuò)大其觀測域來迭代優(yōu)化超參數(shù)進(jìn)而聯(lián)合訓(xùn)練出擬合性能較好的分類器。在BreakHis數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明提出的聯(lián)合訓(xùn)練的分類器可以有效提高乳腺癌病理圖像識別準(zhǔn)確率。對不平衡樣本數(shù)據(jù)的問題未來可以通過數(shù)據(jù)擴(kuò)充與增強(qiáng)方法進(jìn)一步提高不同放大倍數(shù)的圖像及子類的識別準(zhǔn)確率。

    猜你喜歡
    乳腺癌分類模型
    一半模型
    絕經(jīng)了,是否就離乳腺癌越來越遠(yuǎn)呢?
    中老年保健(2022年6期)2022-08-19 01:41:48
    分類算一算
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    乳腺癌是吃出來的嗎
    分類討論求坐標(biāo)
    胸大更容易得乳腺癌嗎
    數(shù)據(jù)分析中的分類討論
    別逗了,乳腺癌可不分男女老少!
    祝您健康(2018年5期)2018-05-16 17:10:16
    久久精品夜夜夜夜夜久久蜜豆| 中文字幕熟女人妻在线| 午夜a级毛片| 免费在线观看影片大全网站| 中国美白少妇内射xxxbb| 一进一出好大好爽视频| 三级经典国产精品| 亚洲欧美日韩高清在线视频| av在线老鸭窝| 夜夜夜夜夜久久久久| 欧美3d第一页| 欧美极品一区二区三区四区| 亚洲av成人精品一区久久| 中文字幕av在线有码专区| 久久久精品大字幕| 成人一区二区视频在线观看| 成年av动漫网址| 一卡2卡三卡四卡精品乱码亚洲| 欧美中文日本在线观看视频| 午夜爱爱视频在线播放| 欧美zozozo另类| 日韩强制内射视频| 久久久久久久久久黄片| 蜜臀久久99精品久久宅男| 麻豆久久精品国产亚洲av| 亚洲成人av在线免费| 久久久精品大字幕| 麻豆乱淫一区二区| 91久久精品国产一区二区三区| 女同久久另类99精品国产91| 99热精品在线国产| 晚上一个人看的免费电影| 欧美高清性xxxxhd video| 国产精品美女特级片免费视频播放器| 熟女人妻精品中文字幕| 欧美在线一区亚洲| 日韩强制内射视频| 露出奶头的视频| 午夜a级毛片| ponron亚洲| 日本熟妇午夜| 久久鲁丝午夜福利片| 日本一本二区三区精品| 国产69精品久久久久777片| 毛片一级片免费看久久久久| 国产av不卡久久| 日韩中字成人| 国产精品一区二区性色av| 中文字幕精品亚洲无线码一区| 在线免费观看的www视频| 国产精品福利在线免费观看| 2021天堂中文幕一二区在线观| 全区人妻精品视频| 免费观看精品视频网站| 嫩草影院精品99| 久久精品国产亚洲av香蕉五月| 欧美绝顶高潮抽搐喷水| 日韩国内少妇激情av| av在线亚洲专区| 成人欧美大片| 联通29元200g的流量卡| 亚洲丝袜综合中文字幕| 国产成人a区在线观看| 如何舔出高潮| 国产欧美日韩一区二区精品| 成人午夜高清在线视频| 久久韩国三级中文字幕| 超碰av人人做人人爽久久| 国产亚洲91精品色在线| 欧美日韩在线观看h| 国产极品精品免费视频能看的| 老熟妇乱子伦视频在线观看| 男女那种视频在线观看| 亚洲最大成人手机在线| 露出奶头的视频| 国产av不卡久久| 精品乱码久久久久久99久播| 又粗又爽又猛毛片免费看| 国产精品99久久久久久久久| 成人综合一区亚洲| 色av中文字幕| 精品无人区乱码1区二区| 国产麻豆成人av免费视频| 听说在线观看完整版免费高清| av免费在线看不卡| 亚洲欧美精品自产自拍| 熟妇人妻久久中文字幕3abv| 成人美女网站在线观看视频| 别揉我奶头 嗯啊视频| 欧美3d第一页| 亚洲精品久久国产高清桃花| 国国产精品蜜臀av免费| 国产高清激情床上av| 亚洲国产精品sss在线观看| 国产毛片a区久久久久| 国产探花在线观看一区二区| 国产v大片淫在线免费观看| 午夜福利视频1000在线观看| 俄罗斯特黄特色一大片| 一a级毛片在线观看| 国产av在哪里看| 久久鲁丝午夜福利片| 免费一级毛片在线播放高清视频| 国产av一区在线观看免费| 日本欧美国产在线视频| 亚洲av第一区精品v没综合| 日韩三级伦理在线观看| 一级a爱片免费观看的视频| 国产熟女欧美一区二区| 内射极品少妇av片p| 亚洲精华国产精华液的使用体验 | 一个人看视频在线观看www免费| av在线播放精品| 亚洲激情五月婷婷啪啪| 国产亚洲精品av在线| 最近最新中文字幕大全电影3| 精品无人区乱码1区二区| 性插视频无遮挡在线免费观看| 日韩强制内射视频| 国产av不卡久久| 久久中文看片网| 99久久中文字幕三级久久日本| 天天躁夜夜躁狠狠久久av| 欧美人与善性xxx| 美女被艹到高潮喷水动态| 午夜福利成人在线免费观看| 国内精品宾馆在线| 综合色丁香网| 中国国产av一级| 久久婷婷人人爽人人干人人爱| 一区福利在线观看| 精品国产三级普通话版| 三级国产精品欧美在线观看| 搞女人的毛片| 精品久久久久久久久久免费视频| 成人永久免费在线观看视频| 极品教师在线视频| 国产单亲对白刺激| 91精品国产九色| 99热全是精品| 在线免费十八禁| 非洲黑人性xxxx精品又粗又长| 俺也久久电影网| 最近中文字幕高清免费大全6| 久久久精品94久久精品| 亚洲无线在线观看| 看非洲黑人一级黄片| 成人av一区二区三区在线看| 在线天堂最新版资源| 精品久久久噜噜| 九九爱精品视频在线观看| 日韩精品有码人妻一区| 全区人妻精品视频| 国产精品综合久久久久久久免费| 三级国产精品欧美在线观看| 欧美+日韩+精品| 麻豆一二三区av精品| 欧美潮喷喷水| 国内精品一区二区在线观看| a级一级毛片免费在线观看| 日日摸夜夜添夜夜添小说| 国产色婷婷99| 日本在线视频免费播放| 色尼玛亚洲综合影院| 国产精品久久久久久久久免| 欧美中文日本在线观看视频| 最近2019中文字幕mv第一页| 一边摸一边抽搐一进一小说| av视频在线观看入口| 观看美女的网站| 美女xxoo啪啪120秒动态图| 国产精品女同一区二区软件| 成人特级av手机在线观看| 国产精品日韩av在线免费观看| 99久久中文字幕三级久久日本| 男女下面进入的视频免费午夜| 在线观看av片永久免费下载| 婷婷亚洲欧美| 亚洲国产日韩欧美精品在线观看| 国产精品野战在线观看| 啦啦啦观看免费观看视频高清| 精品久久久噜噜| 国产精品亚洲美女久久久| 欧美最黄视频在线播放免费| 国产aⅴ精品一区二区三区波| 亚洲天堂国产精品一区在线| 人妻久久中文字幕网| 欧洲精品卡2卡3卡4卡5卡区| 干丝袜人妻中文字幕| 欧美成人精品欧美一级黄| 在线免费观看不下载黄p国产| 男人狂女人下面高潮的视频| 精品日产1卡2卡| 免费看日本二区| 国内久久婷婷六月综合欲色啪| 欧美一级a爱片免费观看看| 亚洲国产精品国产精品| 99热这里只有精品一区| 国内精品宾馆在线| 亚洲国产色片| 亚洲四区av| 最后的刺客免费高清国语| 精品久久久久久久末码| 俺也久久电影网| 老司机影院成人| 亚洲国产色片| 麻豆精品久久久久久蜜桃| 日本撒尿小便嘘嘘汇集6| 桃色一区二区三区在线观看| 一卡2卡三卡四卡精品乱码亚洲| 直男gayav资源| 直男gayav资源| 人妻丰满熟妇av一区二区三区| 国产欧美日韩精品一区二区| 久久久久久久久久成人| 国产精品久久久久久久电影| 一级黄色大片毛片| 欧美日韩一区二区视频在线观看视频在线 | 我的老师免费观看完整版| 又粗又爽又猛毛片免费看| 黑人高潮一二区| 偷拍熟女少妇极品色| 欧美色欧美亚洲另类二区| 性插视频无遮挡在线免费观看| 精品久久久久久久久亚洲| 国产精品国产三级国产av玫瑰| 国产高潮美女av| 亚洲成人中文字幕在线播放| 久久久精品94久久精品| 亚洲av熟女| 中文字幕精品亚洲无线码一区| 老女人水多毛片| 欧美日韩国产亚洲二区| 久久精品人妻少妇| 国产极品精品免费视频能看的| 欧洲精品卡2卡3卡4卡5卡区| 欧美日韩国产亚洲二区| 99久久九九国产精品国产免费| 精品一区二区三区视频在线观看免费| 人人妻人人澡欧美一区二区| 国产精品日韩av在线免费观看| 高清毛片免费观看视频网站| 久久99热6这里只有精品| 精品人妻熟女av久视频| 国产美女午夜福利| 国产精品久久电影中文字幕| 国产在线精品亚洲第一网站| 在线观看免费视频日本深夜| 日本 av在线| 亚洲性夜色夜夜综合| 久99久视频精品免费| 女人被狂操c到高潮| 又爽又黄a免费视频| 国产精品99久久久久久久久| 你懂的网址亚洲精品在线观看 | 精品人妻偷拍中文字幕| www.色视频.com| 激情 狠狠 欧美| 美女cb高潮喷水在线观看| 人妻久久中文字幕网| 99久久精品一区二区三区| 久久久久国产网址| 精品一区二区三区视频在线观看免费| .国产精品久久| 日韩人妻高清精品专区| 亚洲精品亚洲一区二区| 久久久久久久久久黄片| av在线天堂中文字幕| 男人和女人高潮做爰伦理| 国产在视频线在精品| 色5月婷婷丁香| 国产高潮美女av| 国产蜜桃级精品一区二区三区| 成人漫画全彩无遮挡| 国产淫片久久久久久久久| 成年av动漫网址| 成人美女网站在线观看视频| 免费无遮挡裸体视频| 日韩精品青青久久久久久| 精品国产三级普通话版| av在线天堂中文字幕| 男人和女人高潮做爰伦理| 亚洲国产精品久久男人天堂| 赤兔流量卡办理| 黄色配什么色好看| 寂寞人妻少妇视频99o| 在线观看一区二区三区| 俄罗斯特黄特色一大片| 好男人在线观看高清免费视频| 欧美成人免费av一区二区三区| 人人妻人人看人人澡| 在线观看66精品国产| 蜜臀久久99精品久久宅男| 久久99热这里只有精品18| 一级毛片久久久久久久久女| 麻豆成人午夜福利视频| 久久精品国产鲁丝片午夜精品| 日日摸夜夜添夜夜添av毛片| 亚洲精品一卡2卡三卡4卡5卡| 久久精品久久久久久噜噜老黄 | 亚洲国产色片| 老司机福利观看| 特级一级黄色大片| 最好的美女福利视频网| 在线免费观看的www视频| 十八禁网站免费在线| 一本久久中文字幕| av黄色大香蕉| 看免费成人av毛片| 久久这里只有精品中国| 亚洲av熟女| 成年免费大片在线观看| 亚洲,欧美,日韩| 午夜福利在线在线| 天堂动漫精品| 国产人妻一区二区三区在| 精品久久久久久久久久免费视频| 亚洲精品一卡2卡三卡4卡5卡| 人人妻人人澡欧美一区二区| 有码 亚洲区| 国内精品宾馆在线| 亚洲三级黄色毛片| 国产探花极品一区二区| 亚洲精品一区av在线观看| 黑人高潮一二区| 丝袜美腿在线中文| 韩国av在线不卡| av专区在线播放| 日韩精品中文字幕看吧| 久久久午夜欧美精品| 亚洲av免费在线观看| 国产精品久久久久久av不卡| 一级av片app| 看黄色毛片网站| 久久精品人妻少妇| 国国产精品蜜臀av免费| 亚洲av免费高清在线观看| 别揉我奶头 嗯啊视频| 亚洲成人av在线免费| 日韩制服骚丝袜av| 欧美xxxx黑人xx丫x性爽| 桃色一区二区三区在线观看| 亚洲精华国产精华液的使用体验 | 老女人水多毛片| 国产精品乱码一区二三区的特点| 欧美日韩在线观看h| 亚洲最大成人av| 热99re8久久精品国产| 啦啦啦韩国在线观看视频| 中文字幕av成人在线电影| 波多野结衣高清作品| 麻豆乱淫一区二区| 看片在线看免费视频| 亚洲第一区二区三区不卡| av免费在线看不卡| 毛片一级片免费看久久久久| 极品教师在线视频| 亚洲成人av在线免费| 国产真实伦视频高清在线观看| 国产国拍精品亚洲av在线观看| 国产精品嫩草影院av在线观看| 免费观看精品视频网站| 日本与韩国留学比较| 免费看美女性在线毛片视频| 极品教师在线视频| 成人高潮视频无遮挡免费网站| 亚州av有码| 精品人妻熟女av久视频| 欧美高清成人免费视频www| 男女啪啪激烈高潮av片| 91久久精品国产一区二区三区| 狂野欧美白嫩少妇大欣赏| 真实男女啪啪啪动态图| 黄色一级大片看看| 日本色播在线视频| 欧美成人a在线观看| 亚洲天堂国产精品一区在线| 1000部很黄的大片| 久久精品影院6| 蜜桃亚洲精品一区二区三区| 久久精品91蜜桃| 日本a在线网址| 国产乱人偷精品视频| 久久欧美精品欧美久久欧美| 免费观看的影片在线观看| 欧美潮喷喷水| 97人妻精品一区二区三区麻豆| 精品欧美国产一区二区三| 搞女人的毛片| 亚洲av成人av| 一级黄片播放器| 国产亚洲精品久久久久久毛片| 美女内射精品一级片tv| 亚洲精华国产精华液的使用体验 | 欧美一区二区精品小视频在线| 搡老妇女老女人老熟妇| 丝袜喷水一区| 日韩精品青青久久久久久| 日本爱情动作片www.在线观看 | 男女下面进入的视频免费午夜| 久久精品夜色国产| .国产精品久久| 国产一区二区三区在线臀色熟女| 成人亚洲精品av一区二区| 亚洲中文字幕日韩| 女生性感内裤真人,穿戴方法视频| 亚洲不卡免费看| 国产三级中文精品| 久久6这里有精品| 亚洲丝袜综合中文字幕| 色吧在线观看| 老司机福利观看| 此物有八面人人有两片| 国产精品嫩草影院av在线观看| 免费av观看视频| 一进一出好大好爽视频| 国产单亲对白刺激| 国产精品亚洲一级av第二区| 床上黄色一级片| 成年av动漫网址| 91午夜精品亚洲一区二区三区| 男女之事视频高清在线观看| 真实男女啪啪啪动态图| 国产av在哪里看| 欧美xxxx黑人xx丫x性爽| 麻豆一二三区av精品| 色噜噜av男人的天堂激情| 99久久精品国产国产毛片| 日韩在线高清观看一区二区三区| 男女做爰动态图高潮gif福利片| 最近2019中文字幕mv第一页| 在线天堂最新版资源| 亚洲aⅴ乱码一区二区在线播放| 精品久久久噜噜| 久久99热这里只有精品18| 亚洲成人久久爱视频| 成年版毛片免费区| 久久久久久久午夜电影| 最近最新中文字幕大全电影3| 国产av在哪里看| 久久综合国产亚洲精品| 校园春色视频在线观看| 三级经典国产精品| 99久久精品热视频| 国产亚洲欧美98| 99久久精品一区二区三区| 国产精品无大码| 国产真实乱freesex| 日本熟妇午夜| 长腿黑丝高跟| 久久99热6这里只有精品| 三级国产精品欧美在线观看| 69人妻影院| 精品久久久噜噜| 成人三级黄色视频| 亚洲欧美日韩高清专用| 真人做人爱边吃奶动态| 一a级毛片在线观看| 中文字幕精品亚洲无线码一区| 婷婷精品国产亚洲av| 我要看日韩黄色一级片| 日韩欧美国产在线观看| 免费看a级黄色片| 国产成人影院久久av| 欧美绝顶高潮抽搐喷水| 十八禁网站免费在线| 女人被狂操c到高潮| 我的老师免费观看完整版| 一夜夜www| 日日摸夜夜添夜夜添小说| eeuss影院久久| 简卡轻食公司| 国产白丝娇喘喷水9色精品| 舔av片在线| 色尼玛亚洲综合影院| 久久精品人妻少妇| 18禁在线无遮挡免费观看视频 | 能在线免费观看的黄片| 久久精品人妻少妇| 99国产精品一区二区蜜桃av| 欧美最黄视频在线播放免费| 久久久成人免费电影| 欧美3d第一页| 免费在线观看影片大全网站| 狠狠狠狠99中文字幕| 成人综合一区亚洲| 九九久久精品国产亚洲av麻豆| 桃色一区二区三区在线观看| 国产成人精品久久久久久| 久久久久九九精品影院| 变态另类成人亚洲欧美熟女| 嫩草影院新地址| 18+在线观看网站| 久久久久久大精品| 国产欧美日韩精品一区二区| 国产精品久久久久久精品电影| 亚洲久久久久久中文字幕| 国产不卡一卡二| 老司机福利观看| 在线观看一区二区三区| 欧美成人免费av一区二区三区| 2021天堂中文幕一二区在线观| 俺也久久电影网| 99久久九九国产精品国产免费| 欧美性猛交黑人性爽| 亚洲美女搞黄在线观看 | 亚洲av第一区精品v没综合| 91在线观看av| 国产精品日韩av在线免费观看| 精品人妻一区二区三区麻豆 | 九色成人免费人妻av| 亚洲久久久久久中文字幕| 最好的美女福利视频网| 日韩 亚洲 欧美在线| 亚洲电影在线观看av| 久久韩国三级中文字幕| 搞女人的毛片| 日韩强制内射视频| 午夜精品一区二区三区免费看| 九九久久精品国产亚洲av麻豆| 久久精品国产99精品国产亚洲性色| 久久热精品热| 午夜精品在线福利| 女同久久另类99精品国产91| av在线播放精品| 在线播放无遮挡| 床上黄色一级片| 亚洲丝袜综合中文字幕| 床上黄色一级片| 联通29元200g的流量卡| av免费在线看不卡| 亚洲不卡免费看| 黄片wwwwww| 97超级碰碰碰精品色视频在线观看| 22中文网久久字幕| 国产人妻一区二区三区在| 国产高潮美女av| 最近在线观看免费完整版| av天堂中文字幕网| 毛片一级片免费看久久久久| 久久久久国产网址| а√天堂www在线а√下载| 国产精品不卡视频一区二区| 九色成人免费人妻av| 成人综合一区亚洲| 国产精品免费一区二区三区在线| 蜜桃久久精品国产亚洲av| 精品国产三级普通话版| 国产精品久久久久久久久免| 久久精品人妻少妇| 国产中年淑女户外野战色| 国产精品一区二区性色av| 国产精品嫩草影院av在线观看| 国产女主播在线喷水免费视频网站 | 免费人成在线观看视频色| 美女黄网站色视频| 亚洲第一电影网av| 黄片wwwwww| 特大巨黑吊av在线直播| 2021天堂中文幕一二区在线观| 少妇熟女欧美另类| 国产三级在线视频| 国产日本99.免费观看| 精品人妻偷拍中文字幕| 亚洲五月天丁香| 国产成人freesex在线 | 色尼玛亚洲综合影院| 看非洲黑人一级黄片| 免费看日本二区| 91av网一区二区| 中出人妻视频一区二区| 日本色播在线视频| 欧美极品一区二区三区四区| 午夜a级毛片| 成熟少妇高潮喷水视频| 日本色播在线视频| 蜜桃亚洲精品一区二区三区| 色在线成人网| 国产亚洲欧美98| 国产午夜精品久久久久久一区二区三区 | 夜夜爽天天搞| 人妻制服诱惑在线中文字幕| 69av精品久久久久久| 婷婷精品国产亚洲av| av卡一久久| 色综合色国产| 亚洲精品影视一区二区三区av| 一级黄色大片毛片| 插阴视频在线观看视频| av.在线天堂| 在现免费观看毛片| 久久久久久九九精品二区国产| 精品人妻熟女av久视频| 最好的美女福利视频网| 中出人妻视频一区二区| 国产一区二区在线观看日韩| 特大巨黑吊av在线直播| 色噜噜av男人的天堂激情| 亚洲图色成人| 国产精品,欧美在线| 国产aⅴ精品一区二区三区波| 五月玫瑰六月丁香| 国产精品电影一区二区三区| 国产精品三级大全| 精品少妇黑人巨大在线播放 | 日韩大尺度精品在线看网址| 国产高清视频在线观看网站| 小蜜桃在线观看免费完整版高清| 中文字幕熟女人妻在线| 欧美激情国产日韩精品一区| 色播亚洲综合网| av福利片在线观看| 插阴视频在线观看视频| 国产一级毛片七仙女欲春2| 美女 人体艺术 gogo|