Multi-stages attention Breast cancer classification based on nonlinear spiking neural P neurons with autapses

要約

乳癌（BC）は女性に多く見られる悪性腫瘍の一種である。早期診断と治療は、患者の生存率を高めるために不可欠である。ディープネットワークのダウンサンプリングは情報の損失につながる可能性があるため、ディテールとエッジ情報を補正し、畳み込みニューラルネットワークが病変領域を探すためにより多くの注意を払うことができるようにするために、我々はオートキャプスを持つNSNPニューロンに基づく多段階注意アーキテクチャを提案する。まず、既存の手法の単一スケールの注意獲得方法とは異なり、畳み込みネットワークの各特徴マップスケールで空間的注意獲得を設定し、注意誘導に関する融合グローバル情報を得る。次に、NSNPニューロンという新しいタイプのNSNP変種を導入する。具体的には、NSNPシステムは特徴エンコーダとしてモジュール化され、畳み込みニューラルネットワークから抽出された特徴を注意情報の融合と同様に再符号化し、特徴マップの主要な特徴要素を保持する。これにより、高次元の複雑な情報を徐々に低次元の情報に変換しながら、貴重なデータの保持を保証する。提案手法は、様々な倍率と分類タスクの公開データセットBreakHisで評価される。その結果、全ての倍率において96.32%の分類精度を達成し、最先端の手法を凌駕した。アブレーション研究も行い、提案モデルの有効性を検証した。ソースコードはXhuBobYoung/Breast-cancer-Classificationにある。

要約(オリジナル)

Breast cancer(BC) is a prevalent type of malignant tumor in women. Early diagnosis and treatment are vital for enhancing the patients’ survival rate. Downsampling in deep networks may lead to loss of information, so for compensating the detail and edge information and allowing convolutional neural networks to pay more attention to seek the lesion region, we propose a multi-stages attention architecture based on NSNP neurons with autapses. First, unlike the single-scale attention acquisition methods of existing methods, we set up spatial attention acquisition at each feature map scale of the convolutional network to obtain an fusion global information on attention guidance. Then we introduce a new type of NSNP variants called NSNP neurons with autapses. Specifically, NSNP systems are modularized as feature encoders, recoding the features extracted from convolutional neural network as well as the fusion of attention information and preserve the key characteristic elements in feature maps. This ensures the retention of valuable data while gradually transforming high-dimensional complicated info into low-dimensional ones. The proposed method is evaluated on the public dataset BreakHis at various magnifications and classification tasks. It achieves a classification accuracy of 96.32% at all magnification cases, outperforming state-of-the-art methods. Ablation studies are also performed, verifying the proposed model’s efficacy. The source code is available at XhuBobYoung/Breast-cancer-Classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL