基于深度迁移学习的乳腺癌图像分类方法

针对乳腺癌病理图像样本数量少、设计特征费时、检测分类的准确性不高等问题，提出一种基于深度学习和迁移学习结合的乳腺癌图像分类模型算法，本算法基于深度神经网络DenseNet结构，通过引入注意力机制构建网络模型，对增强后的数据集使用多级迁移学习进行训练。实验结果表明，在测试集中该算法检测的有效率在83.5%以上，分类的准确率较先前的模型有大幅提升，可以应用到医疗乳腺癌检测任务中。

乳腺癌是全球范围内影响女性健康最主要的恶性肿瘤之一，在女性恶性肿瘤致死率中排名第一，中国女性乳腺癌发病率和死亡率分别占全球的11.2%和9.2%，世界范围内位居前列。当前肿瘤发病原因不明，并且缺乏有效的筛查手段，导致大部分患者确诊时已为中晚期，已经错失了最佳治疗期，因此，乳腺癌的早诊断早治疗对提高女性健康水平起着至关重要的作用。目前，乳腺癌的临床诊断通常依靠医生观察患者乳腺癌组织病理学图像来实现，不但耗时耗力，而且诊断准确性极度依赖于医生的专业知识和经验，具有主观性。因此，实现基于乳腺癌病理学图像的医学图像分类对帮助医生提高诊断效率具有重要意义。

目前有关乳腺癌病理学图像的分类可以分为两大类，一类是基于人工特征提取和传统机器学习算法的医学图像分类。Spanhol [1]等公开了乳腺癌组织病理图像数据集BreakHis，研究了6 种基于手工提取的纹理特征， 并结合包含SVM 在内的4 种分类器来区分良性和恶性肿瘤；Ojalat [2]提出了局部二值模式(LBP)，它是一种用来描述图像纹理特征的算子，进而实现对纹理特征分类的改善，从而区分乳腺癌的良性和恶性图像；李慧[3]使用Lasso 方法对从乳腺钼靶钙化图像提取到的特征进行特征筛选， 获得74 个与良恶性鉴别相关度最高的特征， 接下来结合算法， 进行分类模型的交叉验证训练， 最后进行了预测计算， 实验结果表明，基于SMOTE-Lasso-RF 方法的模型具有更好的AUC 和准确性；Rezazadeh A [4]提出一种可解释的基于超声图像诊断乳腺癌的机器学习方法，通过提取超声图像的一阶和二阶纹理特征，将其用来构建决策树分类器的概率集合。每个决策树通过学习一组用于图像纹理特征的稳健决策阈值来学习对输入超声图像进行分类，并通过分解学习的决策树来解释模型预测的决策路径。结果表明提出的框架在可解释的同时实现了高预测性能 传统的机器学习方法一方面由于缺乏经验丰富的病理学专家进行图像特征的标注，另一方面分类特征的提取和选择往往会花费大量的时间和精力，最终导致分类的准确度并没有达到理想的效果。相比于传统的机器学习分类算法，深度学习一方面能够自动从图像中学习特征，从而避免了传统算法中人工提取特征的复杂性和局限性，另一方面，深度学习现在广泛应用于自然语言处理、物体识别、图像分类识别等领域，为其在乳腺癌病理学图像中的应用奠定了基础。例如Pawwer M M 等人[5]提出了结合ResNet与注意力机制的多尺度多通道特征网络(MuSCF-Net)， 并采用知识共享策略， 在乳腺病理组织图像二分类任务中，分类准确度高达98.85%；Kavitha T [6]等人提出了一种基于最佳多级阈值分割和胶囊网络(OMLTS-DLCN)的乳腺癌诊断模型，在Mini-MIAS 数据集和DDSM 数据集上的准确率分别为98.50%和97.55%；李赵旭[7]通过改进Inception 网络，优化网络模型，在1774 张癌症病理图像中二分类任务取得