我们的编码网络包含六个卷积层此前通过归一化层称为局部反应正常化参考( 13]。在喂养将softmax层之前,它包含一个全接触层和辍学 14)层,包括设置为0每个隐藏神经元的输出概率为0.5。归一化层和辍学层是重要的网络编码由于提高整体精度,它可能会有识别力的高级特性。当网络培训的编码,输入是一个固定大小 140年 × 140年 × 3 RGB图像。表 1显示了编码的详细配置网络。卷积层使用一个过滤器的接受域 7 × 7 , 9 × 9 , 8 × 8 和1像素步幅和0像素填充。池层执行5×5像素的窗口,2步。

在提取多尺度高级特性,编码网络意图提取高级特性。我们提取6卷积层和接触层与多尺度的高层特征相结合。第六届卷积层是固定的2048称为cfr,而接触层的尺寸是256称为ffr。它直接融合的病死率和ffr成一个特征向量可以继续喂到另一个softmax分类器分类组织病理学图像。

我们减少了多尺度的高层特征向量的维度基于以下考虑: (1)

提取多尺度高级功能相结合两层高层特征编码网络会导致相当大的计算复杂度,因为他们的高维度。

因此,我们将使用稀疏autoencoder (SAE)来减少多尺度高级特性,因为稀疏autoencoder可能获得更多的区别的特性由于减少高层特征之间的相关性。我们雇佣 x t = { x 1 , x 2 , x 3 , … } 表示提取多尺度的高级特性。稀疏autoencoder是正在努力训练的三层神经网络目标函数 x t ^ ≈ x t ,在那里 x t ^ 是稀疏的输出autoencoder和第二层包含原始的稀疏表示多尺度高层 米 h ^ 。它可以定义如下: (1) 米 h ^ = f W ∗ x t + b 。 在( 1), f 是激活函数,我们应用吗 c ; W 矩阵和重量吗 b 是偏见。值得注意的是,的维度 米 h ^ 低于 x t 。此外,稀疏autoencoder最小化代价函数 J 如下: (2) J = 1 米 ∑ 我 = 1 米 x t ^ - - - - - - x t 2 , 在哪里 米 病理图像的总数。然而,为了达到降低维数的目的,我们必须对稀疏约束总成本函数。这里,它给的惩罚项Kullback-Leibler(吉隆坡)差异成本函数。它可以被定义 (3) ∑ j = 1 年代 2 K l ρ ∥ ρ j ^ , 在哪里 年代 2 的维数 米 h ^ ; ρ 封闭的稀疏参数为零; ρ j ^ 平均激活隐藏的单位吗 j 可以被定义为 (4) ρ j ^ = 1 米 ∑ 我 = 1 米 一个 j 2 x 我 , 在哪里 一个 j ( 2 ) ( x ( 我 ) ) 表示稀疏autoencoder隐藏单位的激活网络时给定一个特定的输入 x ( 我 ) 。和 K l ( ρ ∥ ρ j ^ ) 是由 (5) K l ρ ∥ ρ j ^ = ρ 日志 ⁡ ρ ρ j ^ + 1 - - - - - - ρ 日志 ⁡ 1 - - - - - - ρ 1 - - - - - - ρ j ^ 。 因此,原始成本函数代替 (6) J 年代 p 一个 r 年代 e = J + β ∑ j = 1 年代 2 K l ρ ∥ ρ ^ 。 β 控制稀疏惩罚项的重量。新的成本函数最小化,我们可以获得多尺度的高层特征的稀疏表示。

主成分分析(PCA)是一个经典的数据降维算法在无监督特征学习领域。大量的工作( 15- - - - - - 17)是基于PCA解决高维度的问题,在该功能将分解的线性无关的特征向量选择原始功能的主要特征向量。它是一种有效的方法来降低数据维数。因此,为了证明SAE的有效性,它可能使用PCA算法相比,减少了多尺度高层特征维数。

真正的叫做SDT皮肤切片图像数据集,其中包含6类皮肤病图像是用来评估该方法的总体性能。数据集是由2019张图片,每张图片的RGB图像的大小 2048年 ∗ 1536年 。表 2总结了6类数据集和使用T1、T2、T3、T4, T5, T6每个类别标签。为了有效地降低该方法的过度拟合的问题,我们通过提取随机手动放大SDT数据集 960年 ∗ 960年 原始图像的图像补丁。然后我们调整图像补丁 140年 ∗ 140年 。这不仅节省了医学图像的主要信息,还减少了算法的运行时间。我们的实验可以看到如下的配置。数据集分为三部分:训练集,验证集和测试集,比7:1:2。此外,我们训练我们的模型提取的补丁的10倍交叉验证。编码的网络,花了45时代网络收敛。它训练的编码网络使用随机梯度下降法和批处理大小为100的图片,0.9势头。此外,在0.01学习速率是初始化,它将通过培训手动调整。该战略是引用的 13]这是学习速率除以10当验证出错率不再提高。

在这一节中,有必要比较编码与多尺度网络高级特性证明算法的有效性和效率。此外,多尺度特性+ SAE (MSAE)将与多尺度特性+ PCA (MPCA)来验证降维的效率。定量评价如表所示 3的整体精度达到86.2%,92.6%,和95.3%,分别。从表 3它可以发现MSAE拥有最好的算法精度优于其他两种算法。此外,很明显,MSAE和MPCA增益可以执行比编码网络演示了多尺度的高层的效率特性和降维的效果。所有的实验都在Matlab中实现使用MatConvNet包( 18]。和所有的实验都在计算机上i5 - 6500 3.2 GHz CPU, 32 G内存,GTX1060 GPU。

在表 4它报告的实验结果显示,算法精度的比较在每个类别。我们可以看到,无论哪种算法,它将获得在某些情况下比整体性能更好的精度。不平衡问题将占这一现象。更多的样本类别躺在数据集,精度可以达到越好。此外,从表 4我们清楚地知道MSAE优于编码网络和MPCA在每个类别中再次证实了该方法的有效性。

图 1显示了不同的混淆矩阵算法。在混淆矩阵,薄荷绿细胞代表的数量和比例正确预测的算法;粉色阴影细胞表现出的数量和比例不正确的预测。混淆矩阵的最后一行,它给每个类别的精度,同时也获得每个类的回忆在过去的混淆矩阵的列。最后混淆矩阵的对角元素代表了整体算法的准确性。从图 1,MSAE可以实现精度比MPCA在每个类和编码网络。我们建议的模型的性能可以明显提高少数类。此外,它会得出一个结论,T2与T5熟悉的结构。相对数量的样本T2 T5预计将会解释这一现象。为了更好的评估算法,我们遵循 19使用接受者操作特征(ROC)不同的类作为评估标准。图 2比较了ROC曲线不同的类。此外,它计算曲线下的面积(AUC)更直观的比较。表 5显示不同的算法的平均AUC。很明显,我们的模型可以实现0.9912的AUC是比编码网络和MPCA 0.9617和0.9855,分别。