乳腺癌检测综述，从机器学习到深度学习全面盘点

目录

引言

机器学习方法在乳腺癌检测中的应用

🔹 2002–2010：早期浅层方法与特征驱动模型

🔹 2010–2015：特征融合与集成分类器引入

🔹 2016–2018：半深度模型 & 混合方法崛起

🔹 2019–2022：深度学习过渡期与改进型机器学习方法

深度学习方法在乳腺癌检测中的进展

早期阶段（2015–2017）：CNN初试水温

成长期（2018–2020）：架构优化与分割突破

高潮阶段（2021–至今）：Transformer引入与多模态融合

1. Transformer架构崭露头角

2. 多任务与多模态模型涌现

3. 注意力机制与可解释性研究兴起

4. 性能表现持续刷新

公开数据集与评估指标

1. 常用公开乳腺癌数据集一览

2. 模型评估指标

---

引言

博主最近新开一篇乳腺癌检测论文，想着相关工作这块写都写了，就拿出来分享一下，希望能对正在进行乳腺癌检测的朋友有帮助。

机器学习方法在乳腺癌检测中的应用

🔹 2002–2010：早期浅层方法与特征驱动模型

1. 2002 — KNN + 特征选择（Keller et al.）
   使用纹理和密度等手工特征，通过 K-近邻（KNN）对乳腺肿块进行分类。
   → 提出早期基于手工特征的传统框架。

2. 2004 — PCA + SVM（Elter et al.）
   通过主成分分析对特征降维，并使用 SVM 分类。
   → 提升模型稳定性，但易过拟合。

3. 2007 — 决策树 + 粗糙集（Rough Set Decision Tree）
   采用粗糙集理论进行不确定性建模，并结合决策树进行分类。
   → 适用于小样本任务，抗噪声能力强。

---

🔹 2010–2015：特征融合与集成分类器引入

1. 2012 — 多特征融合 + SVM（Ayer et al.）
   综合纹理、形状等多种手工特征，使用 SVM 分类良恶性肿块。
   → 特征维度高、分类性能提升。

2. 2013 — LDA + RF（Linear Discriminant Analysis + Random Forest）
   使用 LDA 降维后，采用随机森林进行高维分类。
   → 分类性能稳定，适用于高维数据。

3. 2014 — 多特征选择 + ANN（人工神经网络）
   通过遗传算法优化特征子集，输入到神经网络中。
   → 提出“特征选择 + 分类器”模式。

---

🔹 2016–2018：半深度模型 & 混合方法崛起

1. 2016 — CNN 特征 + Extreme Learning Machine（ELM）
   使用 CNN 提取高层特征，结合无监督极限学习机进行聚类与分类（Wang et al.）。
   → 深度特征 + 传统分类器的早期结合。

2. 2017 — PCA + SVM/RF（Sameti et al.）
   进一步优化 PCA 降维与分类器组合策略，在 DDSM 上测试。
   → 提升了传统方法在图像任务上的实用性。

3. 2018 — 多特征融合（纹理、密度、形态） + ELM 聚类
   Wang 等人提出的一种多特征融合策略，适用于乳腺肿块分类。
   → 实测分类准确率达 97.2%，是该时期最高性能之一。

---

🔹 2019–2022：深度学习过渡期与改进型机器学习方法

1. 2019 — CNN + SVM（特征提取+判别）
   深度 CNN 用于提取特征，SVM 替代 softmax 输出层进行分类。
   → CNN 与传统机器学习的混合形式。

2. 2020 — Deep Belief Network (DBN) + 特征压缩