Back to Search Start Over

Réseaux de neurones convolutionnels multi-échelle pour la classification cellulaire

Authors :
Buyssens, Pierre
Elmoataz, Abderrahim
Equipe Image - Laboratoire GREYC - UMR6072
Groupe de Recherche en Informatique, Image et Instrumentation de Caen (GREYC)
Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Ingénieurs de Caen (ENSICAEN)
Normandie Université (NU)-Normandie Université (NU)-Université de Caen Normandie (UNICAEN)
Normandie Université (NU)-Centre National de la Recherche Scientifique (CNRS)-École Nationale Supérieure d'Ingénieurs de Caen (ENSICAEN)
Normandie Université (NU)
buyssens, pierre
Source :
RFIA 2016, RFIA 2016, Jun 2016, Clermont-Ferrand, France
Publication Year :
2016
Publisher :
HAL CCSD, 2016.

Abstract

We present a Multiscale Convolutional Neural Network (MCNN) approach for vision–based classification of cells. Based on several deep Convolutional Neural Networks (CNN) acting at different resolutions, the proposed architecture avoid the classical handcrafted features extraction step, by processing features extraction and classification as a whole. The proposed approach gives better classification rates than classical state–of–the–art methods allowing a safer Computer–Aided Diagnosis of pleural cancer.<br />Dans cet article, nous présentons une approche basée sur des réseaux de neurones convolutionnels multi-échelle (MCNN) pour la classification de cellules. Basée sur plu-sieurs réseaux profonds convolutionnels agissant à dif-férentes résolutions, l'architecture proposée évite l'étape classique d'extraction manuelle de caractéristiques, en procédant à l'extraction de caractéristiques et à la classification en une fois au sein d'un même réseau de neurones. L'approche proposée fournit de meilleurs résultats de classification que les méthodes usuelles permettant une aide au diagnostique plus sûre du cancer de la plèvre.

Details

Language :
French
Database :
OpenAIRE
Journal :
RFIA 2016, RFIA 2016, Jun 2016, Clermont-Ferrand, France
Accession number :
edsair.dedup.wf.001..09d0ec254c90903fed3b6b16bbe21c96