《表1 基于深度学习的乳腺病理图像分类方法总结》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的乳腺癌病理图像分类研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如表1为本文对基于深度学习的乳腺病理图像分类方法的总结。从目前已发表的相关文献可知，基于卷积神经网络的分类方法是最先用于分析乳腺癌病理图像中识别问题的深度学习方法，也是目前研究最为广泛的深度学习识别方法。相较于其他方法，基于卷积神经网络的分类方法可以更快速地提取特征，具有强大的特征表示能力。但基于卷积神经网络的分类方法缺少全局上下文信息，使得图像病变内的一些细节信息在网络前向传播过程中丢失，假阳性检测率高。此外，基于卷积神经网络的分类方法在运算速度上也稍有逊色。因此，针对基于卷积神经网络的分类方法的缺陷，后续研究者提出采用基于深度残差网络和基于密集连接网络的方法，可以更好地解决基于卷积神经网络分类方法中的问题，有效解决了梯度消失和梯度爆炸问题，并能捕捉网络中多层特征信息，弥补检测速度慢等问题，实现更快速的特征提取。但是基于深度残差网络和基于密集连接网络存在不善于探索新的医学特征、网络结构设计、模型训练以及目标函数优化困难等问题，可以尝试添加注意力模块探索新的医学特征，以及采用迁移学习方法，降低模型训练难度。基于自编码的分类方法优点在于不需要具有精准的标注信息，可以有效减少医学标注数据少以及标注不准确的问题，其难度在于如何设计有效的网络结构，如何有效地优化目标函数以及如何高效地训练模型。后续研究可探究优化模型方面以及考虑对缺乏的医学数据进行数据增强、数据迁移等方法，采用有监督的神经网络进行医学分类任务。基于模型融合的分类方法，也存在存储开销大和模型设计困难等问题，后续研究可考虑结合多个GPU以及探究优化模型方面，这也是目前研究的热点，能结合不同模型的优点，弥补单一方法自身的局限性，达到更优的分类效果。