VGGIN-Net : Réseau de transfert profond pour un ensemble de données sur le cancer du sein déséquilibré

Dans cet article, nous avons présenté une nouvelle architecture de réseau de neurones profond basée sur une approche d'apprentissage par transfert, formée par le gel et la concaténation de toutes les couches jusqu'à la couche block4_pool du modèle pré-entraîné VGG16 (niveau inférieur) avec les couches d'un module d'Inception naïf initialisé aléatoirement (niveau supérieur). Par ailleurs, nous avons intégré des couches de normalisation par lot (batch normalization), d'aplatissement (flatten), de dropout et de couches denses dans l'architecture proposée. Notre réseau d'apprentissage par transfert, nommé VGGIN-Net, permet la transmission de connaissances domaines issues du vaste jeu de données d'objets ImageNet vers un jeu de données plus petit et déséquilibré de cancer du sein. Pour améliorer les performances du modèle proposé, nous avons appliqué des techniques de régularisation sous la forme de dropout et d'augmentation des données. Une optimisation fine par blocs détaillée a été réalisée sur le réseau de transfert profond proposé, pour des images présentant différentes puissances de grossissement. Les résultats d'expériences étendues indiquent une amélioration significative de la performance de classification après l'application de la fine-tuning. L'architecture d'apprentissage profond proposée, combinant apprentissage par transfert et fine-tuning, atteint les taux de précision les plus élevés par rapport aux autres approches de pointe pour la classification du jeu de données BreakHis de cancer du sein. L'architecture soigneusement conçue peut être efficacement transférée à d'autres jeux de données de cancer du sein.