4、利用半监督生成对抗网络进行乳腺组织病理学图像分类

利用半监督生成对抗网络进行乳腺组织病理学图像分类

1. 引言

乳腺癌是女性健康的重大威胁，每年影响着数百万女性的生命。在北美，乳腺癌的发病率超过80%，在日本和瑞典约为60%，而在低收入国家，这一比例低于40%。据美国癌症协会数据，2019年约有268,600例新的浸润性病例被诊断出来，预计死亡病例约为41,760例。早期诊断对于提高患者的生存率至关重要。

乳腺癌主要分为良性和恶性两种类型，癌细胞的特征和属性决定了癌症的类别。原位肿瘤细胞位于乳腺导管（小叶）内，而浸润性肿瘤细胞则会扩散到导管外。最初，乳腺癌的诊断主要依靠自我评估，结合乳腺钼靶、热成像和超声成像技术，并定期进行检查。而针吸活检是确定恶性肿瘤的最可靠方法。在分析之前，组织细胞需要进行苏木精和伊红（H&E）染色处理，这有助于病理学家研究细胞和细胞核的形态等组织结构元素。

计算机辅助诊断（CAD）系统可以减轻病理学家的工作负担，提高诊断效率。传统的机器学习技术通过手工特征和各种分类器来识别癌症类别，但手工特征需要丰富的领域知识，计算负担也较重。近年来，深度学习技术，特别是卷积神经网络（CNN），在医学图像分析领域受到了广泛关注。CNN可以自动从原始输入图像中学习特征，但训练需要大量的数据和时间，并且在数据不平衡的情况下容易出现过拟合问题。

生成对抗网络（GAN）由生成器和判别器两个神经网络组成，基于博弈论，通过解决最小 - 最大博弈问题来生成与真实数据相似的合成数据。在实际应用中，由于专业病理学家数量有限，图像标注工作缓慢且耗时，因此本文提出使用半监督GAN（SSGAN），结合有标签和无标签数据进行训练，以提高分类准确率。

2. 相关工作