典型文献
基于CNN的乳腺癌病理图像分类研究
文献摘要：
乳腺癌已经成为全球第一大癌症,乳腺癌的早期发现及良恶性诊断对于治疗具有重要的意义.针对传统机器学习方法在乳腺癌病理图像分类任务中性能不足和准确率低的问题,本文提出了基于CNN(卷积神经网络)的乳腺癌病理图像分类模型,将乳腺癌病理图像分为良性与恶性.该模型以VGG网络为基础,对网络结构进行调整,在公开的BreakHis数据集上实验.针对数据集存在的样本不均衡问题,采用焦点损失函数进行优化,并在网络训练过程结合了迁移学习和数据增强策略.实验结果表明,该模型在4种放大倍数下的平均识别率达到96.96％,分类准确率较先前的模型有了大幅提升,能够为乳腺癌病理图像的分类提供有意义的参考.
文献关键词：
乳腺癌病理图像分类;卷积神经网络;样本不均衡;迁移学习;数据增强
中图分类号：
作者姓名：
易才键;陈俊;王师玮
作者机构：
福州大学 物理与信息工程学院,福州350108
文献出处：
引用格式：
[1]易才键;陈俊;王师玮-.基于CNN的乳腺癌病理图像分类研究)[J].智能计算机与应用,2022(03):92-96
A类：
B类：
乳腺癌病理图像分类,分类研究,早期发现,良恶性诊断,机器学习方法,分类任务,分类模型,VGG,BreakHis,样本不均衡,均衡问题,焦点损失函数,网络训练,训练过程,迁移学习,数据增强策略,放大倍数,识别率,分类准确率,先前
AB值：
0.212709
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
