要約
本稿では、転移学習アプローチを用いた新たな深層ニューラルネットワークアーキテクチャを提示した。このアーキテクチャは、事前学習済みのVGG16モデルのblock4 pool層までを固定し、その下位層（lower level）と、ランダムに初期化された単純なInceptionブロックモジュール（higher level）を連結することで構成されている。さらに、本提案アーキテクチャにはバッチ正規化、フラット化、ドロップアウト、および全結合層を追加した。提案された転移学習ネットワークは、VGGIN-Netと命名され、より大きなImageNet物体データセットから、より小さな不均衡な乳がんデータセットへとドメイン知識を効果的に転移することを可能にする。提案モデルの性能向上のため、ドロップアウトとデータ拡張を用いた正則化を導入した。また、異なる倍率の画像に対して、詳細なブロック単位でのファインチューニングを実施した。広範な実験の結果、ファインチューニングを適用したことで分類性能が著しく向上することが示された。本稿で提案する転移学習およびファインチューニングを組み合わせた深層学習アーキテクチャは、BreakHis乳がんデータセットの分類において、他の最先端手法と比較して最も高い精度を達成した。本研究で構築された明確なアーキテクチャは、他の乳がんデータセットに対しても効果的に転移学習が可能なように設計されている。