TY - JOUR A2 - Rakhshan, Vahid AU - Asare, Sarpong Kwadwo AU - You, Fei AU - Nartey，俄备得Tettey PY - 2020 DA - 2020/12/08 TI - Semisupervised学习与自主学习计划分类乳腺癌组织病理学图像SP - 8826568六世- 2020 AB -大量已标示数据的可用性在许多医学成像任务构成了重大挑战。即使有可能获得足够的数据，准确标记数据的过程也是一个艰巨和耗时的过程，需要专业技能。同样，不平衡数据的问题进一步加剧了上述问题，并对许多机器学习算法提出了相当大的挑战。与此相反，开发能够利用大量未标记数据和少量标记数据的算法，同时证明对数据不平衡的鲁棒性，可以为构建高效分类器提供有前景的前景。本研究提出了一种半监督学习方法，将自训练和自节奏学习相结合，生成和选择用于乳腺癌组织病理图像分类的伪标记样本。在该学习方案中引入了一种新的伪标记生成和选择算法，用于生成和选择高置信的伪标记样本。这种学习方法通过联合学习模型和优化未标记目标数据上的伪标签的生成来增强训练数据并使用生成的标签对模型进行再训练来提高性能。提出了一个类平衡框架，将类的置信度进行归一化，防止模型忽略来自较少代表类(难学习样本)的样本，从而有效地处理数据不平衡问题。在BreakHis数据集上进行的大量实验验证了所提方法的有效性。 SN - 1687-5265 UR - https://doi.org/10.1155/2020/8826568 DO - 10.1155/2020/8826568 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -