基于深度卷积神经网络的乳腺细胞图像分类研究

摘要:针对深度卷积神经网络能够提取图像的高层特征并对图像进行有效表达。采用基于深度卷积神经网络的改进算法,设计了zcnn网络结构对乳腺病理细胞图像进行分类研究。首先,对病理图像进行预处理,利用zca白

摘要:针对深度卷积神经网络能够提取图像的高层 特征并对图像进行有效表达。采用基于深度卷积神经网 络的改进算法,设计了zcnn网络结构对乳腺病理细胞图 像进行分类研究。首先,对病理图像进行预处理,利用 zca白化降低数据特征间的相关性,从而降低数据间的 冗余。其次,在网络卷积层采用线性校正单元(relus)作 为网络的激活函数,加速计算网络输出。最后,在网络精 调时,利用dropout方法随机断开池化层的网络节点,可 以有效抑制算法的过拟合,提高算法的泛化能力。采用 本文方法对benign和actionable两类病理细胞图像的 分类,精度达到94.65%。性能上超过了softmax,pca以 及传统的卷积神经网络。 关键词:深度卷积神经网络;zca白化;线性校正单元;dropout方法 中图分类号: f721.1 文献标识码: a文章编号: 1673-1069(2016)18-144-3 1概述 本文主要是基于深度卷积神经网络的改进算法,设计了zcnn网络结构对乳腺 病理细胞图像进行分类研究。面对复杂的图片信息(光照、染色不均等),在特征提 取前,采用zca白化对数据进行预处理,降低数据维度间的相关性,然后,利用深度卷 积神经网络,逐层提取数据的高维特征。网络构建中,利用线性修正单元(relus)作 为各卷积层的网络输出函数,可以加快网络的计算速度。在池化层采用dropout方 法随机断开网络节点,防止算法的过拟合,文献[2]采取的方法是在网络输出前的全 连接层采用dropout方法,本文是二分类问题,在网络的全连接层并没有采用 dropout方法,而是在池化层上使用dropout方法,随机阻止部分网络权值的更新。 在网络精调时,采用随机梯度降法逐层计算深度卷积神经网络的参数。 为了提高算法的精度,采用bp(back propagation)算法对网络参数进行优