TY -的A2 Rakhshan瓦希德盟——巨人萨普昂Kwadwo盟——你,范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。即使在的可能性获得足够的数据,准确地标识数据的过程是一个艰苦和耗时,需要专业知识技能。再一次,数据不平衡的问题进一步加剧了上述问题,为许多机器学习算法提出了一个相当大的挑战。代替,开发算法的能力,可以利用大量的未标记数据和少量的带安全标签的数据时,同时展示数据的鲁棒性不平衡,可以在构建高效的分类提供了广阔的前景。这项工作提出了一个semisupervised相结合的学习方法自我训练和自主学习为乳腺癌组织病理学分类生成和选择pseudolabeled样本图片。小说pseudolabel生成和选择算法介绍了学习方案生成和选择高度自信pseudolabeled样本两类更易较少类。这样的学习方法提高性能通过共同学习模型和优化代pseudolabels unlabeled-target数据增加训练数据和再培训模型生成的标签。类平衡框架,可实现来说信心得分也提出了防止模型忽略样本少代表类(努力学习样本),因此有效地处理数据不平衡的问题。广泛BreakHis数据集上的实验评价该方法演示了该方法的有效性。SN - 1687 - 5265 UR - https://doi.org/10.1155/2020/8826568 - 10.1155 / 2020/8826568摩根富林明计算智力和神经科学PB - Hindawi KW - ER