乳癌は世界中でがん死亡の主要な原因の一つです。ヘマトキシリンおよびエオシン染色された画像を用いた生検組織の診断は簡単ではなく、専門家は最終診断に関してしばしば意見が異なります。コンピュータ支援診断システムは、このプロセスのコストを削減し、効率を向上させるのに寄与します。従来の分類アプローチは、特定の問題に基づく知識に基づいて設計された特徴抽出方法に依存しています。特徴ベースのアプローチの多くの課題を克服するために、深層学習手法が重要な代替手段となっています。畳み込みニューラルネットワーク (CNN) を使用したヘマトキシリンおよびエオシン染色された乳房生検画像の分類方法が提案されています。画像は、正常組織、良性病変、上皮内癌、侵襲性癌の4つのクラスおよび、癌および非癌の2つのクラスに分類されます。ネットワークのアーキテクチャは、核および全体的な組織の構造を含め、異なるスケールで情報を取得するように設計されています。この設計により、提案されたシステムを全スライド組織像に拡張することが可能になります。CNNによって抽出された特徴は、サポートベクターマシン分類器のトレーニングにも使用されます。4クラス分類で77.8%、癌/非癌で83.3%の精度が達成されました。当社の方法の癌ケースに対する感度は95.6%です。
Araújo et al. (Thu,) はこの問題を研究しました。