写在前面：
Google关于camelyon 16的文章，很遗憾现在才看到。这应该是目前为止任务二上的最高结果了。
Detecting Cancer Metastases on Gigapixel Pathology Images
一、概述
1、作者表示此方法能从10w*10w分辨率的图像中分辨出100*100的小区域
2、camelyon16 数据集 任务一：AUC=97% 任务二：92.4%（人类医生标注准确率73.2%）
3、作者认为无用的举措：
（1）多尺度只会让结果更加平滑，对于准确率没有过大影响
（2）预训练影响不大，毕竟数据足够多
（3）色彩归一化也没有很大影响
4、舍弃随机森林，只使用slide中最大值作为概率，节省时间开销且准确率没有很大差别
二、细节
1、网络：Inception V3，输入299*299用于预测中心区域128*128的类别。中心区域含有肿瘤标记则标记为tumor
2、旋转4个90度，镜像操作后也旋转，会获得八个方向的数据（都用于训练）数据量真是令人害怕……
3、为避免偏向能够裁剪较多patch的slide，作者认为应该先随机选择slide再从中取样。（具体咋做的我也不知道，究竟效果如何，是否真的好于全体取样，作者并未用实验说明）
4、使用TensorFlow预处理图形，增加一些随机信息：亮度64/255 饱和度0.25 色调 0.04 对比度0.75。同时，裁剪的时候增加随机抖动，最多8像素的位移偏差。数值先放缩到[0,1]，再归一化到[-1,1]
5、滑窗步长128（对应中心区域尺寸），八个方向都预测，取平均值作为最终结果
6、网络设置：RMSProp 学习率初始0.05，每两百万个样本减半。使用ImageNet预训练则用0.002作为初始学习率。
三、实验
作者在附录中说了一句：经过专家鉴定，数据集的训练集中存在非穷举标注，也就是说存在某张tumor slide有多处肿瘤却只标注了一处。。。
换句话说，裁剪patch的时候，normal训练集中存在大量噪声。。。不说了，蹲墙角哭去了……