基于深度学习的乳腺癌病理图像分类研究.pdfVIP

摘要

乳腺癌已经成为危害女性健康的第一杀手，如何对其进行正确的诊断和治疗，

这一问题已经成为世界性的难题。全国各个城市之间的医疗水平相差很大，急需

有经验的医生对患者进行诊疗，并且乳腺癌病理图像十分复杂，诊断结果时不时

会出现偏差。近年来，深度学习在图像识别与分类方面取得长足进步与发展，并

逐渐在医学图像领域中崭露头角。然而，在处理病理学图像时会遇到一些挑战，

为协助医生提高乳腺癌病理诊断的准确性，本课题选择对乳腺癌病理学图像进行

分类研究，具体的工作内容如下：

（1）针对网络训练的准确度和效率问题，本文选择在卷积神经网络分类方

法的基础上进行研究。首先对原始的乳腺癌病理图像进行预处理，获得实验所需

的图像，使用不同的数据增强方法去扩充数据集。然后在模型进行训练时，分别

使用随机向量函数链神经网络和粒子群优化算法对卷积神经网络的输入端进行一

定程度创新，最后在特定位置融合坐标注意力机制，新算法能充分挖掘出的病理

图像的特征。从实验结果表明，精确率P达到了93.28%，召回率R达到了93.65%，

F1分数达到了93.29%，准确率A达到了93.56%。

（2）针对原始特征提取器对乳腺癌病理图像特征提取不充分以及网络训练

的准确度和效率都不高的问题，建立一种将卷积神经网络和长短期记忆网络结合

起来的分类模型。首先对原始的乳腺癌病理图像进行预处理，然后利用卷积神经

网络提取图像的原始特征，最后使用长短期记忆网络对乳腺癌病理图像进行分类。

实验结果表明，精确率P达到了97.32%，召回率R达到了97.08%，F1分数达到了

97.81%，准确率A达到了97.54%。

（3）针对ImageNet数据集中的图像与乳腺癌病理图像的相似度不高的问题。

首先采取数据增强的方法，对数据集进行扩充，然后使用二次迁移并融合多头注

意力机制的方法，解决原始网络无法获取有价值的图像特征的问题。实验结果表

明，精确率P达到了98.13%，召回率R达到了98.57%，F1分数达到了98.21%，准

确率A达到了97.45%。为了验证本文所提算法的实用性，提出一种基于乳腺癌分

类的人机交互界面，将图像输入到系统中进行分类，此举将进一步提升医生的工

作效率。

综上所述，本课题通过使用以上三种模型，分别对Kaggle数据集、BreakHis

数据集和BACH数据集进行实验研究，提高乳腺癌分类的准确率，最终通过结果

证明以上模型的有效性。

关键词：深度学习，卷积神经网络，长短期记忆网络，注意力机制，迁移学习，乳腺癌分类

Abstract

Breastcancerhasbecomethefirstkillerofwomenshealth,howtocorrectly

diagnoseandtreatit,thisproblemhasbecomeaworldwideproblem.Thelevelofmedical

carevarieswidelyfromcitytocityacrossthecountry,thereisagreatneedfor

experienceddoctorstotreatpatients,andthepathologicalimagesofbreastcancerare

verycomplex,andthediagnosisresultscanbeinaccuratefromtimetotime.Inrecent

years,deeplearninghasmadegreatprogressanddevelopmentinimagerecognitionand

classification,andhasgraduallyemergedinthefieldofmedicalimages.However,there

aresomechallengesinprocessingpathologyimages.Inordertoassistdoctorsin

improvingtheaccuracyofpathologicaldiagno