基于卷积神经网络的乳腺癌病理图像分类

乳腺癌已经超过肺癌，成为世界第一大癌症。因此，乳腺癌的诊断就显得十分重要。为了提高对乳腺癌病理图像分类的准确率，提出了一种基于卷积神经网络的诊断方法。这种方法的出现，能做到快速对乳腺癌病理图像进行良恶性分类。一般来说，乳腺癌的病理图像结构十分复杂，为了增强网络的特征提取的能力，在卷积神经网络的基础上引进随机函数链神经网络和CA注意力机制。因为乳腺癌数据集太少，使用数据增强去扩充数据集。分别进行横向实验与消融实验，实验结果表明，优化后的卷积神经网络能有效提高分类的准确率。

随着人工智能的蓬勃发展， 其在医学图像领域扮演着越来越重要的角色[1] [2]。

目前对乳腺癌的诊断是医学领域的热门研究课题。在医疗工作中，病理图像对于医生的诊断具有重要的辅助作用，医生通过应用人工智能技术对乳腺癌病理图像进行分类，这进一步提高了医生的工作效率。

近些年来，计算机人工智能取得了与日俱增的进步，为科研人员在处理病理图像的问题上开辟了新的方向。国内外专家在乳腺癌组织病理学图像分类方面已经取得了一些研究成果。Spanhol 等人[3]根据82 例乳腺癌病理信息构建了名为BreakHis 的乳腺癌组织病理学图像数据集， 该数据集中包含不同放大倍数的良性与恶性乳腺癌病理切片图像，并且通过提取多个放大倍数乳腺癌病理图像中的切片，训练AlexNet 网络并结合三种融合规则进行分类任务。Han 等人[4]利用该数据集训练分类器，并利用该分类器区分乳腺肿瘤，采用数据增强的方法，增加模型的训练量，以防止过拟合现象的发生。Cruz-Roa 等人[5]通过构建一个神经网络，对乳腺癌全视野数字切片进行分类，共使用400 张人工注释区域标签的切片训练模型，并在200 张切片上验证其性能，这些切片具有来自癌症基因组图谱的类似注释，乳腺癌分类的水平又提升了一步。Krizhevsky [6]提出一种非常出色的深度卷积神经网络AlexNet 网络，提高了图像的识别率，获得了我们所需要的实验结果。以此为基础，Zisserman [7]提出VGG-Net 的深度卷积神经网络模型，以更小的卷积核和更深的网络层数，进一步提高了分类的精度。随后，Szegedy [8]提出了包含Inception 模块的深度卷积神经网络GoogleNet，在ImageNet 数据集上测试的错误率更小，结果证实了深度学习在图像识别上具有很大的潜力。人们越来越意识到，以卷积神经网络为代表的深度学习可以很好地解决医学图像中的图像分类等问题。

卷积神经网络避免了对图像的复杂前期预处理，可以直接输入原始图像。因此，Byra 等人[9]开发了一个结合成像技术的模型， 从图中直接提取乳腺组织的离散特性， 使用卷积神经网络对乳腺癌进行分类， 提升了模型的分类效果。一般，在进行乳腺癌分类时，只需要单独考虑它的局部特征和全局特征中的一种，Guo 等人[10]提出混合CNN 单元可以充分兼顾图像的局部和全局特征，从而做出更准确的预测。为了提高分类器的性能， 他还提出了装袋策略和分层投票策略， 这两种策略在乳腺癌分类中都获得了87.5%的准确率。为了突出乳腺癌图像的特征，Das 等人[11]提出了CNN 的多实例学习框架，并引入了一个新的池化层。

它从整个幻灯片中捕获信息量最大的特征， 而不必在补丁之间重叠， 最终分类准确率达到88%。