赵玲玲　杨辉华　刘振丙　潘细朋

摘 要：针对深度卷积神经网络能够提取图像的高层特征并对图像进行有效表达。采用基于深度卷积神经网络的改进算法，设计了ZCNN网络结构对乳腺病理细胞图像进行分类研究。首先，对病理图像进行预处理，利用ZCA白化降低数据特征间的相关性，从而降低数据间的冗余。其次，在网络卷积层采用线性校正单元（ReLUs）作为网络的激活函数，加速计算网络输出。最后，在网络精调时，利用dropout方法随机断开池化层的网络节点，可以有效抑制算法的过拟合，提高算法的泛化能力。采用本文方法对benign和actionable两类病理细胞图像的分类，精度达到94.65%。性能上超过了Softmax，PCA以及传统的卷积神经网络。

关键词：深度卷积神经网络；ZCA白化；线性校正单元；dropout方法

中图分类号： F721.1 文献标识码： A 文章编号： 1673-1069（2016）18-144-3

1 概述

2006年，加拿大科学家Hinton和他的团队在science上发表一篇关于深度信念网络（DBN）[1]的文章，便引起了学术界的广泛关注，随后更多更一般的深度神经网络方法随之兴起，例如：Denoising Autoencoder（DAE）、Sparse Autoencoder（SAE）、Convolutional Neural Network（CNN）[2]等算法。深度卷积神经网络可以灵活的调节特征提取的空间尺度大小，因此，对图像中目标区域的特征提取会更加灵活。利用深度卷积神经网络对手写字体MNIST数据集进行识别，性能已经接近人类的识别率，在交通标记识别上已经超过了人类的识别能力[3]。文献[4]采用CNN结合图像的空间信息对图像中像素点进行分类研究，结果优于已有的SVM和k-NN分类方法。文献[5]将多示例学习（Multiple Instance Learning）方法与深度卷积神经网络结合应用于高分辨率图像的分类，并且首次对神经胶质瘤（LGG）进行分类精度达到97%，效果接近病理学家的分类结果。……