一个新的多层次的代训练策略,用于基于ResNet50的线粒细胞分类器.

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 机器学习在瘤学中

背景情况:

• 准确的线粒细胞计数对于侵入性乳腺癌分级至关重要.
• 病理学家手动识别是具有挑战性和耗时的.
• 深度学习模型提供自动化解决方案,但面临的培训挑战,如本地最佳.

研究的目的:

• 为深度学习模型引入一种新的多层次代训练策略.
• 在模型培训期间解决汇聚到本地最佳解决方案的问题.
• 为了提高基因病理图像中自动线粒细胞识别的准确性.

主要方法:

• 开发一个多层次的代训练策略.
• 使用ResNet50架构构建一个线粒细胞分类模型.
• 拟议的培训策略与传统方法在独立测试集上的比较.

主要成果:

• 与传统策略相比,使用拟议策略训练的模型表现出优异的性能.
• 使用新策略和Adam优化器进行训练的ResNet50模型在MITOSI14数据集上获得了89.26%的F1得分.
• 这个F1得分超过了文献中报道的现有最先进的方法.

结论:

• 提出的多层次的代训练策略有效地提高了深度学习模型的性能,用于线粒细胞检测.
• 这种方法有助于克服模型培训中的局部最佳问题.
• 该方法显示了改善自动化乳腺癌分级的巨大潜力.