摘要
本文提出了一种新颖的深度神经网络架构，该架构结合了迁移学习方法，其结构由VGG16预训练模型中从底层至block4 pool层的所有层（低层）冻结并拼接而成，并与一个随机初始化的朴素Inception模块（高层）进行连接。此外，我们在所提出的架构中引入了批量归一化（batch normalization）、展平（flatten）、丢弃（dropout）以及全连接（dense）等层。该迁移学习网络被命名为VGGIN-Net，能够将大型ImageNet物体数据集中的领域知识有效迁移至规模较小且类别不平衡的乳腺癌数据集。为提升模型性能，本文采用了dropout正则化和数据增强技术。针对不同放大倍数的图像，对所提出的深度迁移网络进行了细致的分层微调（block-wise fine-tuning）。大量实验结果表明，经过微调后，分类性能得到显著提升。与现有其他先进方法相比，本文提出的结合迁移学习与微调的深度学习架构在BreakHis乳腺癌数据集分类任务中取得了最高的准确率。该架构设计具有良好的可扩展性，可有效应用于其他乳腺癌数据集的迁移学习任务。