Detection and classification of cancer in whole slide breast histopathology images using deep convolutional networks
基于深度学习方法的乳腺癌的组织病理自动诊断方法
分为三个步骤：
1 ROI区域检测，生成显著性图
2 WSI分类，生成分类图
3 融合显著性图和分类图得到WSI最终分类
First step:
FCN结构图
WSI通过四个训练好的FCN网络，生成显著性图。每通过一个FCN网络，生成该层显著性图，筛选出该层显著性图中结果最高的前60%（超参数，可调整）的部分，认为是相关部分，输入下一个网络。最后融合四个显著性图，生成总的显著性图。
0.625X，1.25X，2.5X，5X
Second Step：
CNN结构图
WSI以步长16大小100的滑动窗口输入CNN，生成分类图，分类图中每个像素代表原WSI中16*16大小的区域。
（CNN使用显著性区域进行训练，10X，50% overlap）
Third Step：
分类图中显著性前15%的像素投票或概率直方图SVM得到最终分类。
第三步中，在未融合显著性的情况下使用SVM替代投票机制，准确率从23.33%提升到38.33%。而融合显著性的情况下，两种方法准确率相当，55%。
可视化：occlusion deconvolution
数据集：240张WSI图像，分别来自不同病人。40X，180训练集，60测试集
