Multitask Classification of Breast Cancer Pathological Images Using SE-DenseNet

本文主要是介绍Multitask Classification of Breast Cancer Pathological Images Using SE-DenseNet，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

摘要：

本文采用密集连接的卷积网络(DenseNet)结构，吸收SeNet，对一组苏木精和伊红(H&E)染色乳腺组织学显微镜 Camelyon16 进行多任务分类。全幻灯片图像（WSI）通常存储在多分辨率金字塔中，我们的数据集包含Camelyon16 在*5、*20、*40，三倍放大率下的patches。我们的多任务是通过连接同一网络末端的两个分类器来识别patches的放大率并区分提取的patch是否属于WSI的转移性肿瘤区域。无论是在多任务还是单任务上，我们的网络都表现出了良好的性能，SE-DenseNet-40在CIFAR-10上的准确率更是达到了92.92%。

METHODOLOGY

我们自己设计的四个网络：DenseNet-22, DenseNet-40, SEDenseNet-22, SE-DenseNet-40

转移学习：DenseNet-121、DenseNet-169、DenseNet-201来检测Camelyon16的转移瘤区域。

转移学习的训练方法：

第一种：转移学习通过使用pre-trained densenet - 121 densenet - 169 densenet - 201(所有三个网络没有最高层)分别在我们的数据集上提取特征,然后训练一个新的2类分类小网络（两个FC层1024和2节点）。

第二种：去掉预先训练好的网络的最后一个FC层，用两个新的FC层（1024和2个节点）替代。在两个新的FC层之前冻结所有层，然后在我们的数据集上进行训练。与第一种方法相比，第二种方法的效率很低，因为每个patch都要迭代几次。

三个任务：

第一个：要求将（每次放大后的）数据集的patch分为两类：转移性肿瘤补片和正常补片。应用经典的数据集CIFAR-10训练我们的四个网络来验证网络的性能。

第二个：与第一个一样分为两类,唯一的区别在于,训练集是三个不同的放大下的和的数据集

第三个：首先在每个放大了的训练集上添加一个额外的标签来描述放大率（5 is 0,20 is 1,40 is 2），然后混合组成新的数据集。与前两个任务的网络架构相比，在网络末尾添加了一个three-class分类器，这个分类器将放大倍数分为三类：*5,*20和*40。训练损失是两个分类器损失的总和，损失的权重设置为超参数。

Model

6 convolutional layers of DenseNet-22

SE-DenseNet：

注：我们在SE-DenseNet-22和SE-DenseNet-40中应用SE-PRE块[3]。

SEDense block见下图：

多任务分类框架的SE-DenseNet-22体系结构见下图。

黄色块表示卷积层，紫色块表示图3所示的SE层，，红色块表示图2所示的SE层。绿色块表示转换块，每个转换块由一个卷积层和一个池化层组成。蓝色块表示池化层。Linear是线性分类器，输入是网络中生成的特征，输出是输入patch的标签。与SE-DenseNet相比，DenseNet中不存在SE层。

block==3,growth rate==12（growth rate是指与前一个convolutional layer相比在当前的convolutional layer中加入的filter的数量）因为我们四个network都是为了防止network增长的太宽，提高parameter efficiency 。

每个dense block 或SE-dense block包含相同数量的卷积层，每个block的卷积层数等于(N-4)/3，(N为网络的总层数，分别设置为22和40)。dense block和SE-dense block的唯一区别是在SE-dense block中每两个卷积层之前添加一个SE层。

初始滤波器数量是指在我们的四个网络中将第一个dense block设置为24之前，开始卷积层的滤波器数量。