64、基于深度学习的乳腺癌乳腺钼靶分类框架

基于深度学习的乳腺癌乳腺钼靶分类框架

1. 引言

癌症的主要成因是人体中异常的细胞生长并侵入其他细胞。肿瘤可分为良性和恶性，良性肿瘤由非恶性细胞组成，不会在体内扩散；而恶性肿瘤由癌细胞构成，会不受控制且不可预测地在体内扩散。乳腺癌是乳房细胞开始失控生长导致的，其分类取决于癌细胞的类型。

2020 年，乳腺癌新病例增至 220 万，占当年所有新增癌症病例的 11.7%，全球有 684,996 人死于乳腺癌。世界卫生组织预计 2025 年将诊断出 1930 万癌症病例。因此，早期检测癌症对提高患者生存率至关重要。

检测乳腺癌最常用的两种方法是乳腺钼靶检查和活检。放射科医生可通过特定的乳腺钼靶图像检测女性早期癌症迹象，研究表明乳腺钼靶检查与降低乳腺癌死亡率有关。活检也是确定患者是否患有乳腺癌的可靠方法，但癌细胞大小、形状和位置变化大，难以识别和定位。

人工智能等技术的有效应用降低了乳腺癌相关死亡率，它能在患者出现症状前预测癌细胞。然而，传统机器学习过程（如预处理、分割和特征提取）增加了系统复杂性，降低了整体性能和准确性。而深度学习技术可以处理传统机器学习问题，能够对乳腺癌进行出色的分类。

本研究的目标是早期识别和分类乳腺癌为良性类别，通过支持专家进行更好、更合适的治疗规划来降低死亡率。为此，建立并实施了一个用于识别和分类多类乳腺癌的迁移学习（TL）框架，比较了 VGG16、MobileNetV2 和 Resnet50 等预训练迁移学习架构，以找到最准确的模型。

本研究的贡献包括：
- 使用预训练网络作为分类器提高了分类准确率，比较了 VGG - 16、MobileNetV2 和 ResNet50 等许多预训练 CNN