Klassifikation der Brustkrebs-Histologie mithilfe von Deep Residual Networks

In dieser Arbeit wird ein Ansatz vorgestellt, um die Leistungsfähigkeit computerunterstützter Diagnosesysteme bei der Analyse histopathologischer Bilder zu verbessern. Der Ansatz kombiniert eine Bildvorverarbeitung mit einem tiefen Lernverfahren zur Klassifizierung von Brustkrebs-Histologiebildern in vier Klassen: (i) normales Gewebe, (ii) benigne Läsion, (iii) in-situ-Karzinom und (iv) invasives Karzinom. Zur Normalisierung der Intensität und Farbstoffierung werden die Bilder mittels Histogrammgleichschaltung vorverarbeitet. Zur Trainings- und Klassifizierungsaufgabe wird die Fine-Tuning-Transfer-Lernmethode mit ResNet152 eingesetzt. Das vorgeschlagene Verfahren erreicht eine durchschnittliche Genauigkeit von 83 % bei einer fünffachen Kreuzvalidierung, was eine erhebliche Verbesserung gegenüber dem Stand der Technik darstellt.