Rede Neural Profunda de Estrutura Paralela Usando CNN e RNN com um Mecanismo de Atenção para Classificação de Imagens de Histologia de Câncer de Mama

Neste artigo, apresentamos um novo modelo de aprendizado profundo para classificar imagens de biópsia de mama coradas com hematoxilina-eosina em quatro classes (tecidos normais, lesões benignas, carcinomas in situ e carcinomas invasivos). Nosso modelo utiliza uma estrutura paralela composta por uma rede neural convolucional (CNN) e uma rede neural recorrente (RNN) para extração de características de imagens, que é bastante diferente do método serial comum de extração de características de imagens pela CNN e, em seguida, inserção delas na RNN. Em seguida, introduzimos um mecanismo especial de atenção perceptron, derivado da área de processamento de linguagem natural (NLP), para unificar as características extraídas pelas duas diferentes estruturas de rede neural do modelo. Na camada de convolução, a normalização geral em lote é substituída pelo novo método de normalização switchable. E a tecnologia mais recente de regularização, dropout direcionado, é usada para substituir o dropout geral nas três últimas camadas totalmente conectadas do modelo. Na fase de teste, utilizamos o método de fusão de modelos e a tecnologia de aumento de tempo de teste em três conjuntos de dados diferentes de imagens de biópsia de mama coradas com hematoxilina-eosina. Os resultados demonstram que nosso modelo supera significativamente métodos de ponta.