摘要：
本文采用密集連接的卷積網絡(DenseNet)結構，吸收SeNet，對一組蘇木精和伊紅(H&E)染色乳腺組織學顯微鏡 Camelyon16 進行多任務分類。全幻燈片圖像（WSI）通常存儲在多分辨率金字塔中，我們的數據集包含Camelyon16 在*5、*20、*40，三倍放大率下的patches。 我們的多任務是通過連接同一網絡末端的兩個分類器來識別patches的放大率並區分提取的patch是否屬於WSI的轉移性腫瘤區域。無論是在多任務還是單任務上，我們的網絡都表現出了良好的性能，SE-DenseNet-40在CIFAR-10上的準確率更是達到了92.92%。
METHODOLOGY
我們自己設計的四個網絡：DenseNet-22, DenseNet-40, SEDenseNet-22, SE-DenseNet-40
轉移學習：DenseNet-121、DenseNet-169、DenseNet-201來檢測Camelyon16的轉移瘤區域。
轉移學習的訓練方法：
第一種：轉移學習通過使用pre-trained densenet - 121 densenet - 169 densenet - 201(所有三個網絡沒有最高層)分別在我們的數據集上提取特徵,然後訓練一個新的2類分類小網絡（兩個FC層1024和2節點）。
第二種：去掉預先訓練好的網絡的最後一個FC層，用兩個新的FC層（1024和2個節點）替代。在兩個新的FC層之前凍結所有層，然後在我們的數據集上進行訓練。與第一種方法相比，第二種方法的效率很低，因爲每個patch都要迭代幾次。
三個任務：
第一個：要求將（每次放大後的）數據集的patch分爲兩類：轉移性腫瘤補片和正常補片。應用經典的數據集CIFAR-10訓練我們的四個網絡來驗證網絡的性能。
第二個：與第一個一樣分爲兩類,唯一的區別在於,訓練集是三個不同的放大下的和的數據集
第三個：首先在每個放大了的訓練集上添加一個額外的標籤來描述放大率（5 is 0,20 is 1,40 is 2），然後混合組成新的數據集。與前兩個任務的網絡架構相比，在網絡末尾添加了一個three-class分類器，這個分類器將放大倍數分爲三類：*5,*20和*40。訓練損失是兩個分類器損失的總和， 損失的權重設置爲超參數。
Model
6 convolutional layers of DenseNet-22
SE-DenseNet：
注：我們在SE-DenseNet-22和SE-DenseNet-40中應用SE-PRE塊[3]。
SEDense block見下圖：
多任務分類框架的SE-DenseNet-22體系結構見下圖。
黃色塊表示卷積層，紫色塊表示圖3所示的SE層，，紅色塊表示圖2所示的SE層。綠色塊表示轉換塊，每個轉換塊由一個卷積層和一個池化層組成。藍色塊表示池化層。Linear是線性分類器，輸入是網絡中生成的特徵，輸出是輸入patch的標籤。與SE-DenseNet相比，DenseNet中不存在SE層。
block==3,growth rate==12（growth rate是指與前一個convolutional layer相比在當前的convolutional layer中加入的filter的數量）因爲我們四個network都是爲了防止network增長的太寬，提高parameter efficiency 。
每個dense block 或SE-dense block包含相同數量的卷積層，每個block的卷積層數等於(N-4)/3，(N爲網絡的總層數，分別設置爲22和40)。dense block和SE-dense block的唯一區別是在SE-dense block中每兩個卷積層之前添加一個SE層。
初始濾波器數量是指在我們的四個網絡中將第一個dense block設置爲24之前，開始卷積層的濾波器數量。
Dataset
訓練數據集包含兩個部分
第一個訓練數據集包含170個WSIs of lymph node(100個正常的載玻片和70個有轉移的載玻片)
第二個訓練數據集包含100個WSIs(60個正常的載玻片和40個有轉移的載玻片)。
patches: *5 128×128 pixels 24919 patches 80% 20%
*20 256 ×256 pixels 111008 patches 90% 10%
*40 256 ×256 pixels 136744 patches 90% 10%
Training
我們首先在三次放大下分別對我們的四個網絡在CIFAR-10和Camelyon16訓練，然後在Camelyon16上應用轉移學習。
第二個任務，首先應該將128*128個補丁調整爲256*256，與256*256個補丁混合在一起，形成新的訓練集來訓練我們的四個網絡。
第三個任務：根據第二個任務生成的訓練數據，我們*5= 0,*20=1，*40=2,然後應用新的數據集來訓練我們的多任務分類模型。