• <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
    計算機測量與控制 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構(gòu)(IARC)的最新統(tǒng)計數(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)家有細微的診斷分歧進而減緩診斷效率,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,利用機器學(xué)習(xí)診斷乳腺癌的計算機自動識別技術(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,利用機器學(xué)習(xí)模型來對乳腺癌圖像進行分析,進行乳腺癌良惡性分類。

    Spanhol等[3]利用卷積神經(jīng)網(wǎng)絡(luò)進行特征提取與之前使用手工制作的紋理描述符進行比較,并使用最近鄰算法、支持向量機、決策樹、隨機森林等不同的分類器對乳腺癌病理圖像特征分類,實現(xiàn)了識別率的提高。Hou等[4]采用數(shù)據(jù)增強和遷移學(xué)習(xí)來改進的深度卷積神經(jīng)網(wǎng)絡(luò)模型對乳腺癌病理圖像進行自動分類,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,實驗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節(jié)特征和全局結(jié)構(gòu)特征,但對提取的特征進行分析訓(xùn)練分類器進而準(zhǔn)確的進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)生進行診斷。在提高醫(yī)生的工作效率的同時減少因經(jīng)驗不足而導(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)值計算設(shè)備的改進以及各種標(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。這些特點讓DenseNet在參數(shù)和計算成本更少的情形下比其他卷積神經(jīng)網(wǎng)絡(luò)實現(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[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)點和缺點,因此,在使用分類器時,需要根據(jù)實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

    支持向量機(SVM,support vector machine)是一個機器學(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)樣本點分開而使不同類別的點之間的間隔最大,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)決策過程將樣本進行分類。它的每個內(nèi)節(jié)點表示一個屬性特征,每個葉節(jié)點代表一個類別輸出,我們希望根據(jù)最少的內(nèi)節(jié)點可以將所有樣本盡可能劃分到同一類別中即葉子節(jié)點上,也就是說最重要一點是選擇最優(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立假設(shè)的分類方法,它用后驗概率來判斷樣本類別,樸素貝葉斯模型假設(shè)特征之間相互獨立,首先根據(jù)已知分類的訓(xùn)練樣本集計算在各類別下各個特征屬性的條件概率估計,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,在特征獨立假設(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)是一種利用先驗知識逼近未知目標(biāo)函數(shù)的后驗分布從而調(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,該點具有高均值或高方差來避免陷入局部最優(yōu),并將該點加入集合中,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)。隨機搜索通過隨機探索超參數(shù)空間的值,但它求解過程中沒有利用之前已搜索點的信息,因此貝葉斯優(yōu)化比網(wǎng)格搜索和隨機搜索更為有效。

    單個分類器都可進行超參數(shù)優(yōu)化來尋找模型性能最佳的超參數(shù),進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(BO-SVM)來進行對比。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、隨機森林和樸素貝葉斯對超參數(shù)觀測感知域進行擴大以便有損失更小的估計點,再根據(jù)估計點來迭代優(yōu)化超參數(shù)進而聯(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點方向,下一輪迭代繼續(xù)朝這個方向?qū)ふ易钚」烙孅c,如果使損失降低,根據(jù)找到的估計點更新擬合函數(shù),如果到某一個值優(yōu)化梯度成負方向則到達局部最優(yōu),通過增加隨機數(shù)擾動跳出局部最優(yōu)找到下一個梯度變正的點,直到迭代結(jié)束。那么損失最小的觀測點和估計點也就找到了。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模型為最佳估計分類器即返回的模型為KNN模型,其超參數(shù)Num Neighbors為16。

    2 實驗結(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的良惡性樣本與預(yù)測的良惡性樣本的差異,進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,實驗結(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)家來對患者進行檢測。將良性誤分類為惡性可能會花費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為與文獻中幾種方法的比較,文獻[19-21]以Protocol原則劃分?jǐn)?shù)據(jù)集,文獻[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)確率均高于文獻中方法的識別準(zhǔn)確率。在100×和400×放大倍數(shù)上,文獻[21]的識別準(zhǔn)確率略高于本文方法,而其他文獻的識別準(zhǔn)確率均比本文的較低??梢钥闯鱿噍^于文獻中提出的方法,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

    為了更好的評估實驗結(jié)果,我們又對不同的子類準(zhǔn)確率進行了比較,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??梢钥闯?,由于導(dǎo)管癌的樣本數(shù)量遠遠超過其他子類,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)合幾種分類器擴大其觀測域來迭代優(yōu)化超參數(shù)進而聯(lián)合訓(xùn)練出擬合性能較好的分類器。在BreakHis數(shù)據(jù)集的實驗結(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)擴充與增強方法進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
    国产99白浆流出| 亚洲av第一区精品v没综合| 一级作爱视频免费观看| 亚洲av电影不卡..在线观看| 色婷婷久久久亚洲欧美| 97人妻精品一区二区三区麻豆 | 亚洲人成77777在线视频| 欧美成人一区二区免费高清观看 | 国产一卡二卡三卡精品| 丝袜人妻中文字幕| 两个人看的免费小视频| 不卡一级毛片| 黄色视频不卡| 欧美色视频一区免费| 正在播放国产对白刺激| 99国产精品一区二区三区| 国产精品影院久久| 国产伦人伦偷精品视频| 婷婷丁香在线五月| 美女国产高潮福利片在线看| 国产主播在线观看一区二区| 亚洲精品久久国产高清桃花| xxx96com| 每晚都被弄得嗷嗷叫到高潮| 国产三级黄色录像| 国产精品秋霞免费鲁丝片| 黄片播放在线免费| 欧美亚洲日本最大视频资源| 亚洲av美国av| 嫁个100分男人电影在线观看| www.精华液| 少妇熟女aⅴ在线视频| 欧美日本亚洲视频在线播放| 搡老妇女老女人老熟妇| 熟女少妇亚洲综合色aaa.| 国产伦一二天堂av在线观看| 午夜影院日韩av| 黄色视频不卡| e午夜精品久久久久久久| 成人欧美大片| 亚洲 国产 在线| 欧美日本中文国产一区发布| 国产成人一区二区三区免费视频网站| 国产精品野战在线观看| 成人国产一区最新在线观看| 国产三级黄色录像| 首页视频小说图片口味搜索| 777久久人妻少妇嫩草av网站| 日韩成人在线观看一区二区三区| 色播亚洲综合网| 精品久久蜜臀av无| 久久精品亚洲精品国产色婷小说| 精品久久久久久,| 成人免费观看视频高清| 久久久久久亚洲精品国产蜜桃av| 免费一级毛片在线播放高清视频 | x7x7x7水蜜桃| 亚洲av成人一区二区三| 国产成人系列免费观看| 日本 欧美在线| 亚洲男人的天堂狠狠| www日本在线高清视频| 97人妻精品一区二区三区麻豆 | 青草久久国产| 国产成人免费无遮挡视频| 一区二区三区高清视频在线| 亚洲狠狠婷婷综合久久图片| 99久久综合精品五月天人人| 精品福利观看| 亚洲久久久国产精品| 亚洲成av人片免费观看| 色综合婷婷激情| 神马国产精品三级电影在线观看 | 日韩三级视频一区二区三区| 首页视频小说图片口味搜索| 变态另类成人亚洲欧美熟女 | 免费一级毛片在线播放高清视频 | √禁漫天堂资源中文www| 手机成人av网站| 午夜a级毛片| 69av精品久久久久久| √禁漫天堂资源中文www| 又紧又爽又黄一区二区| 久久精品影院6| 在线观看免费午夜福利视频| 免费在线观看视频国产中文字幕亚洲| 久久精品国产亚洲av香蕉五月| av超薄肉色丝袜交足视频| 多毛熟女@视频| 亚洲精品一卡2卡三卡4卡5卡| 精品人妻在线不人妻| 18禁裸乳无遮挡免费网站照片 | 91在线观看av| 日韩欧美一区视频在线观看| 久久九九热精品免费| 精品一区二区三区av网在线观看| 99国产极品粉嫩在线观看| 精品久久久久久久毛片微露脸| 极品人妻少妇av视频| 香蕉久久夜色| 99re在线观看精品视频| 青草久久国产| 无限看片的www在线观看| 巨乳人妻的诱惑在线观看| 久久精品国产亚洲av高清一级| 欧美另类亚洲清纯唯美| 一级黄色大片毛片| 国产亚洲欧美在线一区二区| 91字幕亚洲| 亚洲精品美女久久av网站| 欧美日韩一级在线毛片| 91在线观看av| 精品国产美女av久久久久小说| 久久久久九九精品影院| 波多野结衣巨乳人妻| 女人高潮潮喷娇喘18禁视频| 最近最新免费中文字幕在线| 国产1区2区3区精品| 91成人精品电影| 亚洲aⅴ乱码一区二区在线播放 | 国产精品 欧美亚洲| 午夜两性在线视频| 90打野战视频偷拍视频| 欧美中文综合在线视频| 一区二区三区高清视频在线| 精品免费久久久久久久清纯| 黑人欧美特级aaaaaa片| 嫩草影视91久久| 少妇裸体淫交视频免费看高清 | 国产高清有码在线观看视频 | www.www免费av| 午夜免费鲁丝| 亚洲av成人不卡在线观看播放网| 最近最新免费中文字幕在线| 久久国产亚洲av麻豆专区| 亚洲美女黄片视频| 在线观看午夜福利视频| 精品卡一卡二卡四卡免费| 亚洲国产精品sss在线观看| 两个人视频免费观看高清| 欧洲精品卡2卡3卡4卡5卡区| 999久久久国产精品视频| 欧美日韩亚洲综合一区二区三区_| 成人三级做爰电影| 精品一区二区三区视频在线观看免费| 香蕉丝袜av| 成人亚洲精品av一区二区| 亚洲专区国产一区二区| 啦啦啦 在线观看视频| 午夜精品久久久久久毛片777| 国产激情欧美一区二区| 无遮挡黄片免费观看| 69av精品久久久久久| 国产精品一区二区在线不卡| 精品国产超薄肉色丝袜足j| 日本精品一区二区三区蜜桃| 黄色片一级片一级黄色片| 欧美乱色亚洲激情| 免费av毛片视频| 如日韩欧美国产精品一区二区三区| 久久青草综合色| 久久久久亚洲av毛片大全| 少妇裸体淫交视频免费看高清 | 18禁裸乳无遮挡免费网站照片 | 熟妇人妻久久中文字幕3abv| 日韩欧美三级三区| 很黄的视频免费| 欧美精品啪啪一区二区三区| 天堂动漫精品| 操美女的视频在线观看| 美女国产高潮福利片在线看| 久久精品影院6| 免费不卡黄色视频| 侵犯人妻中文字幕一二三四区| 99在线人妻在线中文字幕| 日韩有码中文字幕| 亚洲av五月六月丁香网| 国产三级黄色录像| 高清在线国产一区| 在线视频色国产色| 欧美人与性动交α欧美精品济南到| 精品久久久精品久久久| 老汉色av国产亚洲站长工具| 亚洲国产中文字幕在线视频| 亚洲伊人色综图| 中亚洲国语对白在线视频| 50天的宝宝边吃奶边哭怎么回事| 国产在线观看jvid| 欧美日韩福利视频一区二区| 国产乱人伦免费视频| 男女床上黄色一级片免费看| 可以免费在线观看a视频的电影网站| 国产精品99久久99久久久不卡| 国产精品一区二区三区四区久久 | 日本三级黄在线观看| 亚洲精品在线美女| 久久精品国产亚洲av高清一级| 久久热在线av| 午夜福利18| 最近最新免费中文字幕在线| 99国产精品99久久久久| av视频免费观看在线观看| 99香蕉大伊视频| 一本大道久久a久久精品| 国产av一区二区精品久久| 69精品国产乱码久久久| 9热在线视频观看99| 一二三四社区在线视频社区8| 极品人妻少妇av视频| 手机成人av网站| 在线天堂中文资源库| 精品午夜福利视频在线观看一区| 丝袜在线中文字幕| 免费人成视频x8x8入口观看| 麻豆一二三区av精品| 一区二区日韩欧美中文字幕| 国产区一区二久久| 每晚都被弄得嗷嗷叫到高潮| a在线观看视频网站| 亚洲国产日韩欧美精品在线观看 | 真人一进一出gif抽搐免费| 亚洲自偷自拍图片 自拍| 中文字幕人妻丝袜一区二区| 熟女少妇亚洲综合色aaa.| 亚洲专区中文字幕在线| 欧美成狂野欧美在线观看| 欧美国产精品va在线观看不卡| АⅤ资源中文在线天堂| 国产精品 欧美亚洲| 久久久久亚洲av毛片大全| 高清毛片免费观看视频网站| 国产亚洲精品av在线| 久久天堂一区二区三区四区| 91麻豆av在线| 成人av一区二区三区在线看| 国产精品av久久久久免费| 人人澡人人妻人| 在线视频色国产色| 极品人妻少妇av视频| 精品少妇一区二区三区视频日本电影| 免费女性裸体啪啪无遮挡网站| 精品国产乱子伦一区二区三区| 国产成人系列免费观看| 午夜精品久久久久久毛片777| 9热在线视频观看99| 露出奶头的视频| xxx96com| 午夜免费观看网址| 欧洲精品卡2卡3卡4卡5卡区| 巨乳人妻的诱惑在线观看| 日本一区二区免费在线视频| 精品国产超薄肉色丝袜足j| 校园春色视频在线观看| 久久人人精品亚洲av| 一区在线观看完整版| 免费无遮挡裸体视频| 久久久精品欧美日韩精品| 制服人妻中文乱码| 国产免费av片在线观看野外av| 日韩一卡2卡3卡4卡2021年| 亚洲三区欧美一区| 色精品久久人妻99蜜桃| 色婷婷久久久亚洲欧美| av有码第一页| 日韩欧美国产在线观看| 此物有八面人人有两片| 在线观看日韩欧美| 久久久久久免费高清国产稀缺| 99国产精品一区二区蜜桃av| 精品久久久精品久久久| 美女高潮到喷水免费观看| 日韩欧美国产在线观看| 日韩欧美一区视频在线观看| 极品人妻少妇av视频| 身体一侧抽搐| 亚洲人成电影观看| 一二三四在线观看免费中文在| 免费观看人在逋| 99精品在免费线老司机午夜| 岛国视频午夜一区免费看| 美女扒开内裤让男人捅视频| 国产一区在线观看成人免费| 久久精品国产99精品国产亚洲性色 | 国产一卡二卡三卡精品| 欧美国产日韩亚洲一区| 一a级毛片在线观看| 日本vs欧美在线观看视频| 老司机靠b影院| 丝袜人妻中文字幕| 亚洲欧美日韩另类电影网站| 国产精品久久久久久人妻精品电影| 韩国av一区二区三区四区| 亚洲熟妇熟女久久| 怎么达到女性高潮| 91精品三级在线观看| 亚洲第一电影网av| 欧美黑人精品巨大| 成熟少妇高潮喷水视频| 日本五十路高清| av福利片在线| 成人av一区二区三区在线看| 久久香蕉激情| 少妇粗大呻吟视频| 香蕉国产在线看| 一二三四在线观看免费中文在| 亚洲七黄色美女视频| 亚洲av片天天在线观看| 精品久久久久久久毛片微露脸| 欧美最黄视频在线播放免费| 免费高清视频大片| 淫妇啪啪啪对白视频| 少妇被粗大的猛进出69影院| 国产精品永久免费网站| 日韩欧美一区视频在线观看| 精品久久久久久成人av| 久久亚洲精品不卡| 精品久久久久久成人av| 欧美黑人精品巨大| 亚洲第一电影网av| 1024香蕉在线观看| 国产精品永久免费网站| 精品国产美女av久久久久小说| 精品久久久久久成人av| 国产高清激情床上av| 婷婷丁香在线五月| 国产又色又爽无遮挡免费看| 久久精品国产99精品国产亚洲性色 | 午夜福利免费观看在线| 一级毛片高清免费大全| 成人免费观看视频高清| 午夜日韩欧美国产| 国产一区二区三区综合在线观看| 免费在线观看日本一区| 亚洲精品国产精品久久久不卡| 黑人欧美特级aaaaaa片| 91精品三级在线观看| 欧美久久黑人一区二区| 国产免费av片在线观看野外av| 精品久久久久久成人av| 精品国产一区二区三区四区第35| 色av中文字幕| 美女大奶头视频| 欧美色欧美亚洲另类二区 | 精品午夜福利视频在线观看一区| 日韩 欧美 亚洲 中文字幕| 在线av久久热| 亚洲国产毛片av蜜桃av| 精品久久蜜臀av无| 久久狼人影院| 国内久久婷婷六月综合欲色啪| 中文字幕人成人乱码亚洲影| www.精华液| 一区福利在线观看| 国产成人啪精品午夜网站| 国产又色又爽无遮挡免费看| 国产精品 欧美亚洲| 日本 av在线| 婷婷丁香在线五月| 国产主播在线观看一区二区| 亚洲精品国产色婷婷电影| 久热这里只有精品99| 欧美中文综合在线视频| 亚洲片人在线观看| 日本三级黄在线观看| 久久婷婷人人爽人人干人人爱 | 亚洲精品粉嫩美女一区| 日日摸夜夜添夜夜添小说| 长腿黑丝高跟| 中文字幕高清在线视频| 久久久精品欧美日韩精品| 9191精品国产免费久久| 久久人妻熟女aⅴ| 午夜福利影视在线免费观看| 亚洲av熟女| 欧美国产精品va在线观看不卡| а√天堂www在线а√下载| 色婷婷久久久亚洲欧美| 久久天躁狠狠躁夜夜2o2o| 一级a爱视频在线免费观看| 18美女黄网站色大片免费观看| 国语自产精品视频在线第100页| 69av精品久久久久久| 9热在线视频观看99| 电影成人av| 欧美精品亚洲一区二区| 十八禁人妻一区二区| 亚洲三区欧美一区| 别揉我奶头~嗯~啊~动态视频| 麻豆久久精品国产亚洲av| 后天国语完整版免费观看| 成人av一区二区三区在线看| 三级毛片av免费| av中文乱码字幕在线| 十分钟在线观看高清视频www| 免费看a级黄色片| 桃色一区二区三区在线观看| 亚洲国产精品999在线| 精品日产1卡2卡| 国产主播在线观看一区二区| 久久国产精品人妻蜜桃| 久久香蕉国产精品| av电影中文网址| 亚洲七黄色美女视频| 老熟妇乱子伦视频在线观看| 亚洲人成电影观看| 久久久久久人人人人人| 日本撒尿小便嘘嘘汇集6| 亚洲精品一区av在线观看| 最新在线观看一区二区三区| 国产xxxxx性猛交| 午夜久久久在线观看| av视频免费观看在线观看| 最近最新中文字幕大全电影3 | 国内毛片毛片毛片毛片毛片| 成人国产综合亚洲| 黄片大片在线免费观看| 999久久久国产精品视频| 亚洲欧美激情综合另类| 国产真人三级小视频在线观看| 欧洲精品卡2卡3卡4卡5卡区| 99精品欧美一区二区三区四区| 窝窝影院91人妻| 久久久精品欧美日韩精品| 国产免费男女视频| 午夜福利在线观看吧| 亚洲欧美激情在线| 操出白浆在线播放| 日韩成人在线观看一区二区三区| 欧美国产日韩亚洲一区| 99国产精品免费福利视频| 久久青草综合色| 久久久久久大精品| 不卡av一区二区三区| 亚洲五月天丁香| 久久香蕉精品热| 69精品国产乱码久久久| 91成人精品电影| 亚洲精品国产一区二区精华液| 亚洲视频免费观看视频| 国产精品电影一区二区三区| 久久中文字幕人妻熟女| 国产精品1区2区在线观看.| 国产成人av教育| 一进一出抽搐gif免费好疼| bbb黄色大片| 精品久久久久久,| 欧洲精品卡2卡3卡4卡5卡区| 国产欧美日韩精品亚洲av| 热re99久久国产66热| 久久人妻福利社区极品人妻图片| 亚洲欧美精品综合一区二区三区| 69精品国产乱码久久久| 精品久久久久久,| 日本三级黄在线观看| 男女床上黄色一级片免费看| 91在线观看av| av超薄肉色丝袜交足视频| 999久久久精品免费观看国产| 三级毛片av免费| 日本欧美视频一区| √禁漫天堂资源中文www| 男女床上黄色一级片免费看| netflix在线观看网站| 日本a在线网址| 亚洲一区中文字幕在线| 青草久久国产| 最好的美女福利视频网| 人妻久久中文字幕网| 亚洲第一青青草原| 色播在线永久视频| 母亲3免费完整高清在线观看| 国产精品99久久99久久久不卡| 如日韩欧美国产精品一区二区三区| 神马国产精品三级电影在线观看 | 国产亚洲欧美98| 日韩精品免费视频一区二区三区| 50天的宝宝边吃奶边哭怎么回事| 久久中文字幕人妻熟女| 亚洲欧美日韩另类电影网站| 一进一出抽搐动态| 国产一区在线观看成人免费| 淫妇啪啪啪对白视频| 成在线人永久免费视频| 国产乱人伦免费视频| 一区在线观看完整版| 91成人精品电影| 国产av一区在线观看免费| 亚洲精品粉嫩美女一区| 欧美日韩瑟瑟在线播放| 如日韩欧美国产精品一区二区三区| 精品人妻1区二区| 国产精品 欧美亚洲| 变态另类丝袜制服| 少妇熟女aⅴ在线视频| 久久性视频一级片| 午夜福利18| 亚洲天堂国产精品一区在线| 欧美日韩中文字幕国产精品一区二区三区 | 男女午夜视频在线观看| 国产精品 欧美亚洲| 久久香蕉国产精品| 一边摸一边抽搐一进一出视频| 亚洲色图 男人天堂 中文字幕| 国产亚洲精品第一综合不卡| 制服人妻中文乱码| 99国产综合亚洲精品| 国产精品1区2区在线观看.| 99精品久久久久人妻精品| 一级a爱片免费观看的视频| 久久影院123| 久久久久久大精品| 国产精品免费视频内射| 美女 人体艺术 gogo| 亚洲片人在线观看| 国产成人免费无遮挡视频| cao死你这个sao货| 黄色 视频免费看| 首页视频小说图片口味搜索| 人人妻人人爽人人添夜夜欢视频| 成人永久免费在线观看视频| a在线观看视频网站| 99国产极品粉嫩在线观看| 亚洲第一电影网av| 国产一区二区三区在线臀色熟女| 久久国产精品影院| 久久久精品国产亚洲av高清涩受| 国产蜜桃级精品一区二区三区| 黄色毛片三级朝国网站| 夜夜爽天天搞| 97碰自拍视频| 正在播放国产对白刺激| 极品教师在线免费播放| 一区二区三区激情视频| 久久久国产成人精品二区| 岛国视频午夜一区免费看| 亚洲一区二区三区不卡视频| 桃红色精品国产亚洲av| 99国产极品粉嫩在线观看| 国产片内射在线| 久久久精品欧美日韩精品| 精品少妇一区二区三区视频日本电影| 日本vs欧美在线观看视频| 国产91精品成人一区二区三区| 欧美日本视频| 青草久久国产| 日本欧美视频一区| 亚洲精品av麻豆狂野| 一个人观看的视频www高清免费观看 | 亚洲精品粉嫩美女一区| 亚洲av五月六月丁香网| 一进一出抽搐动态| 色综合亚洲欧美另类图片| 精品国产国语对白av| 久久精品成人免费网站| 午夜影院日韩av| 精品久久久久久久久久免费视频| 制服丝袜大香蕉在线| 激情视频va一区二区三区| 国产亚洲欧美98| 国产精品二区激情视频| 亚洲一区中文字幕在线| 99久久国产精品久久久| 久久精品国产清高在天天线| 亚洲专区字幕在线| 久久久国产成人免费| 午夜福利欧美成人| 丁香六月欧美| 久久精品成人免费网站| 日韩成人在线观看一区二区三区| 免费在线观看日本一区| 国产精品 国内视频| 日本五十路高清| 人人澡人人妻人| 大型av网站在线播放| ponron亚洲| 久久久久精品国产欧美久久久| 久久中文字幕人妻熟女| 欧美亚洲日本最大视频资源| www.精华液| 国产精品精品国产色婷婷| 精品国产亚洲在线| 午夜福利成人在线免费观看| 午夜福利免费观看在线| 日本黄色视频三级网站网址| 成年女人毛片免费观看观看9| 一二三四社区在线视频社区8| 免费无遮挡裸体视频| 日本vs欧美在线观看视频| 欧美黑人欧美精品刺激| 少妇熟女aⅴ在线视频| 无人区码免费观看不卡| 国产欧美日韩一区二区三| 女人爽到高潮嗷嗷叫在线视频| 欧美乱妇无乱码| 在线观看免费视频网站a站| 成人精品一区二区免费| 午夜福利视频1000在线观看 | 久久人人爽av亚洲精品天堂| 69av精品久久久久久| 婷婷精品国产亚洲av在线| 国产在线精品亚洲第一网站| 亚洲国产精品成人综合色| 午夜免费成人在线视频| 怎么达到女性高潮| 一级,二级,三级黄色视频| 久久人人精品亚洲av| 国产激情欧美一区二区| 日韩大码丰满熟妇| 国产一区在线观看成人免费| 在线国产一区二区在线| 午夜精品在线福利| 久热这里只有精品99| 搞女人的毛片| 三级毛片av免费| 亚洲成av片中文字幕在线观看|