广州专业的网站制作,网络品牌推广方案,做个淘宝客网站怎么做,蚂蜂窝网站源码乳腺癌的非侵入性诊断程序涉及体检和成像技术#xff0c;如乳房X光检查、超声检查和磁共振成像。成像程序对于更全面地评估癌症区域和识别癌症亚型的敏感性较低。
CNN表现出固有的归纳偏差#xff0c;并且对于图像中感兴趣对象的平移、旋转和位置有所不同。因此#xff0c;…乳腺癌的非侵入性诊断程序涉及体检和成像技术如乳房X光检查、超声检查和磁共振成像。成像程序对于更全面地评估癌症区域和识别癌症亚型的敏感性较低。
CNN表现出固有的归纳偏差并且对于图像中感兴趣对象的平移、旋转和位置有所不同。因此通常在训练CNN模型时应用图像增强。 Swin Transformer是视觉转换器的变体基于非重叠移位窗口的概念是一种用于各种视觉检测任务的成熟方法。 用于分类任务的VIT实现全局自我注意力其中计算图像补丁和所有其他补丁之间的关联。这种全局量化导致了关于补丁数量的二次计算复杂性使得它不太适合处理高分辨率图像。Swin Transformer工作在移位的窗口上可以提供可变的图像补丁分辨率。 为了高效建模提出并计算局部窗口内的自注意力并且以不重叠的方式排列窗口以均匀划分图像。基于窗口的自注意力具有线性复杂性和可扩展性。基于窗口的自注意力的建模能力是有限的因为它缺乏跨窗口的连接。因此提出了一种移位窗口分区方法在连续旋转变压器块的分区配置之间交替进行以允许跨窗口连接同时保持非重叠窗口的高效计算。
基于乳房x光检查
在从特定感兴趣区域ROI进行分类时从乳房X光片中考虑的典型特征是肿块大小、ROI的不规则形状、ROI边界的均匀性和组织密度。将这些手工制作的特征输入到支持向量机、k近邻、逻辑回归、二叉决策树和人工神经网络等分类器中进行分类。
基于超声图像检查
超声检查也是非侵入性的基于机器学习的方法包括基于感兴趣区域的放射性特征用于使用各种机器学习分类器进行分类。使用希尔伯特变换和标记控制分水岭变换提取形状和纹理特征并将其进一步馈送到KNN分类器和集成决策树模型。
基于组织病理学图像
非侵入性成像程序可能无法识别癌症区域及其亚型。为了弥补这一缺陷活检被用于更多样化地研究乳腺组织中的恶性肿瘤。活检包括收集样本并在显微镜载玻片上对组织进行染色以便更好地观察细胞质和细胞核。
BreakHis数据集
BreaKHis数据集由82例患者的乳腺肿瘤手术活检获得的7909张显微RGB图像组成放大倍率分别为50倍、100倍、200倍和400倍。数据包括良性和恶性亚型。此外良性癌症亚型包括纤维腺瘤、管状腺瘤、叶状瘤和腺病而恶性亚型包括导管癌、乳头状癌、小叶癌和粘液性癌。 Swin Transformer
准备工作
将700*640的原始图像分辨率调整为224*224将输入尺寸为的RGB图像将原始的起始补丁大小分割成大小为4*4的小补丁每个图象补丁的尺寸为在大小为48的原始特征张量上应用线性嵌入层将其投影到特征维度C上
体系结构 将尺寸为C的补丁线性嵌入上应用几个具有自注意力的Swin Transformer块保证tokens的数量为线性嵌入层与Swin Transformer一起构成Swin Transformer体系结构的第一阶段。为了便于分层表示从Swin Transformer Block架构的第二阶段开始通过补丁合并层来降低补丁的数量。第二阶段的补丁合并层将每组2*2相邻补丁的特征进行拼接并在4C维拼接特征上应用线性层。这样可以将补丁的数量减少了4倍并且将线性层的输出维度为2C第二阶段的输出补丁数保持在这样的过程重复两次构成阶段3和阶段4.导致其输出分辨率分别为和 模型交叉验证和测试
原始数据集中图像的强度值在0 ~ 255之间将这些强度缩放为−1和1之间的值。当包含所有缩放因子的图像时数据集被分为62:8:30分别用于训练、验证和测试。当从特定缩放因子的图像中实现分类时遵循72:8:20的分割。通过经验选择Swin Transformer的超参数并使用验证集来确保模型不会过拟合。
