78、乳腺癌组织病理学图像分类：深度学习方法解析

乳腺癌组织病理学图像分类：深度学习方法解析

1. 背景与意义

乳腺癌是全球女性中最常见的癌症类型，也是女性癌症死亡的首要原因。早期检测对于提高患者生存率至关重要，而组织病理学评估是乳腺癌诊断的关键环节。然而，即使是经验丰富的病理学家，手动分析也会导致观察者间和观察者内的差异，从而影响评估的准确性。此外，全球范围内病理学家的短缺也使得数字病理学和自动化图像分析工具的需求日益增长。

2. 相关研究与本文方法概述

2.1 传统方法与CNN的兴起

过去，一些研究通过分析细胞核水平的信息（如纹理和形态特征）来进行组织分类，使用传统的分类器如人工神经网络或支持向量机。还有一些研究除了细胞核信息外，还利用手工制作的组织特征进行算法训练。随着卷积神经网络（CNNs）在自然图像分类中的出色表现，越来越多的研究开始将其应用于医学图像分析。早期的研究大多集中在基于CNN的图像块分类，图像级分类则基于图像块概率的组合。

2.2 本文方法

本文提出了两种不同的方法来对乳腺癌组织学图像进行分类：
- 基于VGG网络的方法 ：使用VGG - 16和VGG - 19网络对224×224的组织学图像块进行分类，并引入了全局上下文信息和分层损失函数。
- 基于ResNet融合的方法 ：通过融合两个不同深度的预训练ResNet网络的输出，对整个调整大小后的图像进行分类。

3. 基于VGG网络的方法

3.1 数据预处理与增强

• 数据获取