40、科技前沿：乳腺癌检测、天线设计与电路规则优化

科技前沿：乳腺癌检测、天线设计与电路规则优化

一、乳腺癌检测与分类

在乳腺癌检测与分类方面，采用了多种分类器对组织病理学图像进行分析。这些分类器包括线性支持向量机（SVM）、逻辑回归、决策树、k近邻（kNN）和随机森林，图像数据来自BreakHis数据集，并结合卷积神经网络（CNN）进行处理。

1.1 检测性能指标

不同放大倍数下的检测性能指标如下表所示：
| 放大倍数 | 精度 | 召回率 | F1分数 | 准确率 |
| ---- | ---- | ---- | ---- | ---- |
| 40× | 99.5 | 96.62 | 98.0 | 97.91 |
| 100× | 1 | 97.4 | 98.7 | 98.7 |
| 200× | 1 | 99.1 | 99.59 | 99.58 |
| 400× | 99.7 | 99.5 | 99.52 | 99.71 |

从表中可以看出，随着放大倍数的增加，各项性能指标总体上呈现出较好的趋势，在400×放大倍数下，准确率达到了99.71%，这表明高放大倍数可能有助于更准确地检测和分类乳腺癌。

1.2 不同分类器的准确率

不同分类器在不同放大倍数下的准确率如下表：
| 放大倍数 | 逻辑回归 | 线性SVM | 随机森林 | 决策树 | kNN |
| ---- | ---- | ---- | ---- | ---- | ---- |
| 40× | 76.7 | 73 | 65.8 | 44.9 | 49.8 |
| 100× | 83.6 | 80.9