Brustkrebs-Bildklassifikation mittels Multi-Netzwerk-Merkmalen und orthogonalem Niedrigrang-Lernen mit dualen Netzwerken

Die histopathologische Bildanalyse ist eine wichtige Technik für die Frühdiagnose und Erkennung von Brustkrebs in der klinischen Praxis. Sie weist jedoch eine begrenzte Effizienz auf, weshalb die Erkennung von Brustkrebs in der medizinischen Bildanalyse nach wie vor ein offenes Problem darstellt. Um die Genauigkeit der Frühdiagnostik von Brustkrebs zu verbessern und die Arbeitsbelastung von Ärzten zu verringern, entwickeln wir in dieser Arbeit ein auf histologischen Bildern basierendes Klassifikations-Framework, indem wir Deep-Learning- mit Machine-Learning-Methoden kombinieren. Konkret konzipieren wir ein Multi-Netzwerk-Merkmalsextraktionsmodell unter Verwendung vortrainierter tiefer Faltungs-Neuronaler Netze (DCNNs), entwickeln ein effektives Verfahren zur Reduktion der Merkmalsdimension und trainieren eine Ensemble-Support-Vector-Machine (E-SVM). Zunächst verarbeiten wir die histologischen Bilder mittels Skalentransformation und Farbverbesserungsmethoden vor. Zweitens werden die Multi-Netzwerk-Merkmale unter Verwendung von vier vortrainierten DCNNs (z. B. DenseNet-121, ResNet-50, mehrstufiges InceptionV3 und mehrstufiges VGG-16) extrahiert. Drittens wird eine Merkmalsauswahlmethode über Dual-Network Orthogonal Low-Rank Learning (DOLL) zur Leistungssteigerung und Minderung von Überanpassung (Overfitting) weiterentwickelt. Schließlich wird eine E-SVM anhand fusionierter Merkmale und einer Abstimmungsstrategie trainiert, um die Klassifikationsaufgabe durchzuführen, die die Bilder in vier Klassen einteilt (d. h. gutartig, In-situ-Karzinome, invasive Karzinome und normal). Wir evaluieren die vorgeschlagene Methode auf dem öffentlichen ICIAR 2018 Challenge-Datensatz histologischer Brustkrebsbilder und erreichen eine hohe Klassifikationsgenauigkeit von 97.70%. Die experimentellen Ergebnisse zeigen, dass unsere Methode eine äußerst vielversprechende Leistung erzielen und moderne State-of-the-Art-Methoden übertreffen kann.