基于半监督生成对抗网络的乳腺癌图像分类

本文针对仅有少量带标签样本时如何提高大量未标注样本分类的的鲁棒性和准确性问题，提出一种基于改进的半监督生成对抗网络(semi-supvised generatiCrizotinib配制ve adversarial networks, SGAN)的乳腺癌图像分类方法。该方法在输出层使用Softmax函数替代Sigmoid函数实现多分类。首先将随机向量输入到生成网络中，生成伪样本并标记为伪样本类进行训练。接着将真实标签样本、真实无标签样本和伪样本输入到判别网络中，输出为不同类概率值；然后采用半监督训练方法反向传播更新参数；最后实现对乳腺癌病理图像的分类，标注样本Ayurvedic medicine数量分别为25、50、100和200,最终准确率达到95.5%。实验结果表明，当标注样本有限时，本文算法的准确率具有良好的鲁棒性。本文算法相比于使用卷积神经网络和迁移学习(tselleckchem ABT-199ranfer learning, TL)等分类方法准确率有了显著提高。