基于生成对抗网络的低分化宫颈癌病理图像分类
来源期刊：东北大学学报(自然科学版)2020年第7期
论文作者：李晨 张家伟 张昊 汪茜
文章页码：1054 - 2124
关键词：宫颈癌辅助诊断;组织病理学图像分类;生成对抗网络;特征提取;k-means聚类;
摘 要：使用生成对抗网络（GAN）扩充宫颈癌病理图像的数据集以提高计算机辅助诊断的准确率.首先,使用GAN进行细胞质部分图像生成;其次,使用两次k-means聚类对生成图像进行筛选;最后,使用Inception-V3模型对数据集进行分类训练.结果表明,在测试集相同的情况下,该方法可以将总体分类准确率提升约2. 5%,尤其对低分化宫颈癌病理图像有显著效果.通过GAN解决了组织病理学图像无方向性、内容复杂、前景目标规则性差等问题,证明了该方法的有效性及发展潜力.
李晨1，张家伟1，张昊1，汪茜2,3
1. 东北大学医学与生物信息工程学院2. 辽宁省肿瘤医院3. 中国医科大学附属肿瘤医院
摘 要：使用生成对抗网络（GAN）扩充宫颈癌病理图像的数据集以提高计算机辅助诊断的准确率.首先,使用GAN进行细胞质部分图像生成;其次,使用两次k-means聚类对生成图像进行筛选;最后,使用Inception-V3模型对数据集进行分类训练.结果表明,在测试集相同的情况下,该方法可以将总体分类准确率提升约2. 5%,尤其对低分化宫颈癌病理图像有显著效果.通过GAN解决了组织病理学图像无方向性、内容复杂、前景目标规则性差等问题,证明了该方法的有效性及发展潜力.
关键词：宫颈癌辅助诊断;组织病理学图像分类;生成对抗网络;特征提取;k-means聚类;
