深度学习模型评估乳腺X线照片检测乳腺癌，研究CNN性能及解决数据样本不足问题

可持续运营和计算机3（2022）296使用组织病理学乳腺X线照片评估用于检测乳腺癌的深度学习模型Subasish Mohapatraa，Sarmistha Muduea，Subhadarshini Mohantya，J V R Ravindrab，Sachi Nandan Mohantyc，a印度奥里萨邦布巴内斯瓦尔工程技术学院计算机科学工程系b印度海得拉巴Vardhaman工程学院（自治）电子和通信工程系c印度海得拉巴Vardhaman工程学院（自治）计算机科学工程系aRT i cL e i nf o保留字：深度学习深度卷积神经网络医学成像乳房X线照片（MG）a b sTR a cT基于深度学习方法的乳腺癌检测在其他基于常规的CAD系统中已经获得了很大的兴趣，因为基于常规的CAD系统的准确性结果似乎是不够的。卷积神经网络是一种深度学习方法，已成为在乳房X光片中检测癌症的最有前途的技术。在本文中，我们深入研究了一些用于通过将乳房X线照片图像分类为良性，癌症或正常类来检测乳腺癌的CNN分类器。我们的研究评估了各种CNN架构的性能，如AlexNet、VGG16和ResNet50，其中一些是从头开始训练的，另一些是使用预先训练好的权重进行迁移学习的。上述模型分类器使用来自公开可用的mini-DDSM数据集的乳房X线照片图像进行训练和测试。由于患者数量较少，医疗数据集包含有限的数据样本;这可能导致过度拟合问题，因此为了克服这一限制，应用了数据增强过程。旋转和缩放技术被应用于增加数据量。这里使用的验证策略是90：10的比例。AlexNet的准确率为65%，而VGG16和ResNet50在使用预先训练的权重进行微调时的准确率分别为65%和61%。VGG16在从头开始训练时表现明显较差，而AlexNet表现优于其他人。VGG16和ResNet50在应用迁移学习时表现良好1. 介绍乳腺癌可以被视为女性常见的癌症，是全球第二大死亡原因。它是由乳腺组织中的异常细胞生长引起的，这导致肿瘤的形成，从而对妇女的健康和生命构成严重威胁。乳房肿块、乳头溢液和乳房形状改变都是乳腺癌的征兆。癌症是一种无法控制的细胞生长，可以扩散到身体的其他部位，给患者带来生命危险，因此早期检测是必要的，以避免进一步扩散。通过在早期阶段检测肿块，可以显著降低死亡率。各种医学成像方法，如磁共振成像（MRI）、乳腺X线摄影、乳腺超声检查和磁共振断层扫描（MRT）广泛用于乳腺癌诊断[1]。乳房X线检查是筛查早期乳腺癌的最佳成像方法。它有助于检测可疑病变，如肿块和微钙化。由于其成本经济性和对微小病变的高灵敏度，乳房X线照片被广泛应用。用于筛选。它被认为是最可靠的癌症检测方法，因为它比其他可用的替代方法具有更少的辐射暴露[2]。在乳房X线照片中可以看到两个重要的发现钙化的特征是较粗、颗粒状、爆米花状或环状，密度较高且更分散[3]。乳房X线片显示肿块为乳房中的中等灰色或白色区域，其形状可以是椭圆形，不规则形，小叶形，边缘类型可以是外切的，推测的，不明确的或模糊的[4]。肿块可分为良性或恶性。良性肿瘤通常被区分为圆形或椭圆形，而具有不规则轮廓的部分圆形形状的肿瘤是恶性的，如图1所示，[5]。建筑变形是乳腺癌的另一个指标，但与其他指标相比，它不太重要。可以在两个不同的视图中获取乳房X线照片（i）头尾位视图和内外侧斜位视图，[6]如图所示。 二、在实际诊断过程中，各种因素，如图像质量，放射科医生的专业知识，乳房结构的复杂性，*通讯作者。电子邮件地址： sachinandan09@gmail.com（S.N. Mohanty）。https://doi.org/10.1016/j.susoc.2022.06.001接收日期：2022年3月15日;接收日期：2022年4月27日;接受日期：2022年6月1日2022年6月2日在线发布2666-4127/© 2022作者。由Elsevier B.V.代表KeAi Communications Co.出版，这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表可持续运营和计算机期刊主页：http://www.keaipublishing.com/en/journals/sustainable-operations-and-computers/S. 莫哈帕特拉山Mududuy，S.Mohanty等人可持续运营和计算机3（2022）296297图1.一、 mini-DDSM数据集的样品a）癌症b）良性c）正常。图二. a）患者右乳房的头尾位视图b）患者右乳房的内外侧斜位视图。影响癌症检测的准确性。为了解决这个问题，计算机辅助诊断（CAD）系统应运而生，是非常传统的方法[7]最近，基于人工智能的CAD系统用于提供更好的准确性和早期检测。这为研究人员和开发人员探索用于乳房X线照片的深度学习方法开辟了许多研究方向。特别是，卷积神经网络（CNN）已被用于乳房X线照片中的病变定位，检测和分类任务[8]。它有助于放射科医生对可疑病变进行准确诊断和精确分析。近年来，DCNN在医学领域取得了显著进步，尤其是在图像分类任务方面;它们在提高乳腺癌诊断的计算机辅助诊断（CAD）系统性能方面发挥了重要作用这种DCNN分类器使用机器学习方法将乳房X线照片图像分析为不同的类别，如良性，恶性和正常。根据CAD系统所做的分类，临床医生可以在早期预测乳腺癌，帮助患者早期诊断。有鉴于此，本文对各种CNN架构CNN模型的性能使用两种方法进行比较：第一种是从头开始训练模型，第二种是用预先训练的权重训练模型，从实验中得出的结论是，当分类器应用迁移学习时，所达到的准确性优于从头开始训练。论文的结构分类如下：第2详细介绍了研究人员在使用深度学习方法进行医学图像分类领域所做工作的文献综述。第三是对学习动机的分析第4解释了用于进行实验的方法第五介绍了仿真环境;第六讨论了实验结果;第七提供了研究的讨论最后第八部分给出了本文的结论和今后的研究方向。2. 文献综述在过去的几年中，一些研究人员通过使用不同的神经网络分类器对乳腺癌的恶性和非恶性类别Ragab DA等.提出了一种计算机辅助设计模型，该模型将对乳房X线照片图像中的良性和恶性肿瘤进行分类。它以两种方式使用分割方法：第一种是物理确定感兴趣区域（ROI），第二种是采用阈值和基于区域的策略。应用DCNN进行特征提取，为了提高准确性，用支持向量机代替最终的全连接层。将分割程序应用于DDSM数据集;第一种分割技术达到的准确度高于后续技术[2，24]。Hua Li等人提出了一种称为Dense Net-II神经网络的神经网络模型，它是DenseNet模型的改进版本。它将第一个3× 3卷积层替换为初始层。它克服了深度和更广泛的网络以及巨大的参数配置所导致的过拟合问题对乳房X线照片图像进行预处理，然后应用数据增强技术以避免由于数据不足而导致接下来，DenseNet的第一个卷积层被Inception Net取代10倍交叉验证策略用于验证结果。预处理的乳房X线照片图像是以下神经网络的输入源，即，AlexNet、VGGNet、GoogleNet、DenseNet和DenseNet-II模型。[1，26]对结果进行了比较，结果表明DenseNet-II神经网络的性能优于其他模型。DenseNet-II网络的准确率达到94.55%（灵敏度95.6%，特异度95.36%）。所用数据集来自山西医科大学第一医院[12]。共获得2042张乳房X线照片[3]。Dhungel N等人提出了一种使用CNN级联和随机森林分类器来检测乳房X线照片中的肿块的首先，使用多尺度深度信念网络识别可疑区域，然后通过一系列CNN和一系列随机森林分类器进行分类。使用IN乳腺和DDSM-BCRP数据集，两种情况的灵敏度分别为85%-90%[4]富河Nguyen等人[13]使用Break His数据集将乳腺癌分类为良性和恶性。他们建立了一个CNN模型，其中原始图像被调整大小，并用于对乳腺癌进行分类。Break His数据集中有7909个乳腺癌图像，分类为良性或恶性，其中2440个图像属于良性类别，其余5429个图像属于恶性类别。它包含良性类别下的四个子类和恶性类别下的四个子类[10，11]。Shen Li等人已经创建了一种基于卷积神经网络方法的深度学习算法，以使用乳房X线照片检测乳腺癌他们的发现证明了异构乳腺X射线摄影平台的性能和准确性有所提高。他们对来自CBIS-DDSM数据集的数字化电影乳房X线照片进行了实验。作者使用VGG16和ResNet50的组合以及另一个四个最佳模型组合的集合作为分类器进行了实验[25，27]。单个模型对每个图像的AUC为0.88，四个模型的AUC为0.91，平均灵敏度和特异性分别为86.1%和80.1%。同样，对于INbreast数据库的FFDM图像，单个模型的每个图像的AUC为0.95。四模型平均值的AUC为0.98，灵敏度为86.7%，特异性为96.1%[12，13]。Richa Agarwal等人已经使用基于块的CNN方法从全场数字乳腺X线照片（FFDM）数据集自动检测肿块。CNN模型首先使用CBIS-DDSM进行训练，然后在INbreast数据集上进行测试。在其他CNN架构中，Incep- tion V3获得了最佳性能。取得的成绩，由于S. 莫哈帕特拉山Mududuy，S.Mohanty等人可持续运营和计算机3（2022）296298从CBIS DDSM到INbreast数据集的迁移学习显示真阳性率为0.98[14]。Levy D等人使用迁移学习、数据预处理和应用增强等技术从开始到结束训练CNN架构。在他们的研究中，已经训练了三种不同的CNN架构，例如浅CNN，AlexNet和GoogleNet，其中GoogleNet表现出更好的性能，准确率为0.92。数据集DDSM用于实验[15]。Huynh，Li等人已经完成了区分恶性和良性病变的分类方法。他们对三种方法作了比较。在第一种方法中，他们使用SVM分类器预训练CNN特征，在第二种方法中，使用SVM分割基于肿瘤的分析方法。在第三种方法中，集合分类器在两个单独的分类器之间取平均。在这三种方法中，与其他两种方法相比，集成分类器的性能显示出AUC（0.86）明显更好的性能[16]。3. 动机和目标放射科医生错过了大约20%的乳腺癌病例，因为极少数不可辨别的微小钙化群或肿块。由于低对比度乳房X线照片图像的复杂性，临床医生很难在早期诊断乳腺癌[3，9]。这导致了基于（CAD）的系统的开发。卷积神经网络在许多图像分类任务上表现出卓越的性能，一些研究表明，CNN可以在乳房X光片分类上表现良好。一个有效的整个乳房X线照片分类器将带来许多好处，其中包括（i）通过注释乳房X线照片可以节省大量工作（ii）降低患者回拨率(iii) 减少假阳性病例和不必要的后续检查，这些检查会增加患者的医疗保健费用。本研究的主要目标是对各种CNN架构在乳腺X线摄影图像中的良性和恶性肿瘤分类中进行比较分析。该方法包括以下步骤：• 从一个包含癌性和非癌性图像的公开在线数据库中收集乳房X线照片图像。• 开发一种自动检测机制，从这些乳腺X线图像中分类乳腺• 比较所有CNN模型的结果，以获得更好的分类准确性。4. 方法4.1. 数据集集合用于实验的数据集是在线公开的Mini-DDSM数据集。它是流行的DDSM（数字数据库筛查乳腺X线摄影）数据集的浓缩版本，该数据集已不再使用。它包括来自DDSM数据集的半分辨率图像数据集中的图像文件为PNG 16位格式。它包括9752个乳房X线照片图像，这些图像被分类为良性，癌性或正常。数据集以90：10的比例分为训练数据和测试数据训练数据集包含三个类别的8679张图像，测试数据集包含1073张图像。4.2. 图像预处理预处理是提高计算机辅助诊断（CAD）系统性能的首要和关键步骤。在原始图像上训练卷积神经网络可能导致分类效果差因此，输入的原始图像需要在被馈送到深度学习分类器之前转换为所需的格式。在我们的场景中，使用的医疗数据集包含与我们的网络分类器所需的图像输入的要做到这一点，图像需要调整大小或重新缩放到所需的输入类型。这是加快培训进程的重要一步。4.2.1. 图像大小调整应调整收集的输入图像的大小，以匹配CNN分类器所需的输入大小。当所需尺寸超过所馈送的输入图像的尺寸时，需要较小的缩小尺寸，从而导致较小的图像变形。另一方面，较大的图像占用较大的神经网络的更多内存空间。有两种方法可以用来实现这一点，一种是裁剪它们的边界像素，另一种是缩小它们。在第一种方法中，在边界周围裁剪图像可能会导致边界周围的特征和图案丢失，而缩小可能会导致图像上的特征和图案变形。与其他选择相比，缩放是一种合理的选择，因为它比丢失模式或特征的风险更小[17]。从mini-DDSM数据集拍摄的图像具有不同的大小346× 216× 3，365× 217× 3，360× 219× 3等，这些图像已经重新缩放和调整大小以匹配CNN分类器所需的输入大小使用图像生成器方法对医学图像进行缩放和Alex Net模型分类器需要大小为227× 227×3的输入图像，而VGG 16和ResNet 50模型都需要大小为224× 224× 3的输入图像4.2.2. 数据增强为了避免过度拟合，DCNN严重依赖于大数据，但由于医学成像数据的可用性有限，DCNN支持过度拟合。过度拟合是网络模型在训练数据上学习得很好，但在测试数据上却失败得很惨的原因。为避免过度拟合，由于成像数据量有限，应用数据增强以增加原始数据集在我们的方法中，我们使用基于几何变换的增强，这比其他形式更简单在这里，每个图像都通过使用旋转，缩放和缩放来增强，因为它们很容易实现。与垂直轴的缩放相比，水平轴的缩放更常用。旋转增强可以通过在1°至359°范围内的轴上向右或向左旋转图像来执行[18]。为了实现增强过程，我们使用Keras库的ImageGenerator方法来实时生成批量图像数据，并手动将此批量大小作为ImageGenerator方法的输入参数。ImageGenerator为图像分类任务批量加载和增强图像4.3. 卷积神经网络卷积神经网络是一种深度学习方法，在图像分类、目标检测和图像识别方面非常有效。它由三种类型的层组成：卷积层、池化层和完全连接层。卷积层通过应用相关滤波器从输入图像中提取特征，而池化层降低从卷积层生成的提取特征的维度，最后，最后一个全连接层对从一系列卷积和池化层中提取的特征进行分类。AlexNet（图3），VGGNet（图4），ResNet是我们方法中使用的着名CNN分类器。Alex Net架构是第一个优于分类和检测任务的架构[19]。它是2012年ILSVRC的获奖作品。它由八个加权层组成，前五个是卷积层，后三个是全连接层。最后一层S. 莫哈帕特拉山Mududuy，S.Mohanty等人可持续运营和计算机3（2022）296299图三. AlexNet架构。第一个卷积层有96个大小为11× 11的内核，步长为4个像素，用于过滤输入图像（224× 224）。第一个卷积层的输出其余三个层彼此链接，并且在它们之间没有池化或归一化层。第三个卷积层包含384个大小为3× 3× 256的内核。第四层包含384个大小为3× 3× 192的内核，第五卷积层包含256个大小为3× 3× 192的内核。最后，两个完全连接的层，每个层有4096个神经元连接。第三个全连接层中的神经元数量对应于需要分类的类的数量[19，20]。Alex Net分类器中的一系列卷积、池化和全连接层从乳房X线照片中提取特征，降低提取特征的维数，并最终将图像分类为良性、恶性和正常类别。VGG16也是一种CNN架构，用于图像分类任务。它包含以Relu作为激活函数的卷积层堆栈和大小为3× 3的滤波器。卷积层的输入是固定大小的224× 224 RGB图像，然后将其传递到一系列卷积层，在那里将滤波器应用于图像以提取特征。卷积步幅保持恒定在一个PIXEL，并且卷积层的空间填充保持一个PIXEL，3× 3卷积层。五个最大池化层用于在几个卷积层之后执行空间池化。此最大池化图层计算每个要素地图结果的每个面片中的最大值以突出显示补丁中最常见的特征。接下来，存在连接到先前层的三个完全连接层的堆叠。前两个FC每个有4096个通道，而第三个每个类有1000个通道。对于分类，最终层包括soft-max函数[19]。ResNet50网络的工作原理是采用深度卷积神经网络并添加一个快捷连接，以便每次跳过几个卷积层。快捷连接创建如图5所示的残差块。卷积层的输出被添加到残差块。深度残差学习框架旨在解决由更深层网络引起的退化问题。该架构是34层网络，其中添加跳过连接或残差块，从而产生残差网络[19]。图五、 剩余学习：一个构建块[23]。4.4. 迁移学习这是一种机器学习技术。在这种情况下，为一个任务开发的模型被重用为不同任务上模型的初始起点[21]。其基本思想是将来自具有大量可用训练数据的任务的模型知识应用于具有更少数据的新任务。迁移学习通常用于计算机视觉和自然语言处理等需要大量计算能力的领域[22]。它可以用作特征提取器，其参数经过微调以匹配目标数据集。通常，训练深度模型需要几天或几个月才能完成，但在这种情况下，当模型移动到目标应用程序时，计算时间减少到几个小时目前，最著名的对象分类是基于ImageNet[23]。在这项研究中，预训练的CNN模型都在ImageNet上显示了初始化，没有任何额外的注释。5. 仿真环境这项研究的目的是评估深度神经网络在将乳房X光图像分类为癌症，良性或正常方面的性能。Mini-DDSM数据集用于评估各种CNN模型的有效性。这些实验是在Google Col实验室进行的，这是一款运行在云平台上的免费Jupyter笔记本电脑。它包括一个零配置接口，用于直接从浏览器编写和执行Python代码，以及免费的GPU访问。通过Colab，它可以使用流行的Python库来帮助分析和可视化数据。它能够导入图像数据集，训练分类器并评估分类器的性能它在谷歌云服务器中执行代码，这有助于利用GPU和TPU的能力，而不管用户机器的能力如何。一些CNN模型是在实验过程中从头开始训练的，而其中一些是使用ImageNet数据集进行预训练SoftMax分类功能包含在每个网络的全连接层中网络的优化是由Adam opti完成见图4。VGG 16架构。S. 莫哈帕特拉山Mududuy，S.Mohanty等人可持续运营和计算机3（2022）296300表1网络分类器的准确性从头开始训练CNN时代优化器批量学习率准确度（%）AlexNet50亚当160.0010.658950亚当160.060.6384100亚当160.0010.6589100亚当160.060.6384VGG-1650亚当160.0010.31250亚当160.060.3756100亚当160.0010.312100亚当160.060.312最后，提出了一种改进的网络权值更新方法。它是随机梯度的一种扩展，它用训练数据迭代地更新权重它使用动量和自适应学习率来更快地进行转换。Adam优化具有内存效率，适用于大型数据集和参数。接下来，所有模型的批处理大小都保持为16，以满足内存限制。6. 实验结果我们进行了两个实验来评估分类器的性能。实验I涉及使用mini-DDSM数 据 集 从 头 开 始 训 练AlexNet 和 VGG 16 模 型 分 类 器 ， 并 将epoch，batch Size，Learning Rate和optimizer作为超参数。在EX实验II中，VGG 16和ResNet网络分类器使用ImageNet数据集进行了预训练，然后使用mini-ddsm数据集进行了微调。在两个实验中，使用乳房X线照片评估模型分类器的性能以获得更好的准确性（表3）。表1总结了以不同学习率从头开始训练的不同网络分类器的分类准确性，这些网络分类器在50个epoch和100个epoch上迭代。6.1. 实验-I（有划痕的训练）6.2. 实验二（预训练）实验II使用VGG 16和ResNet架构进行，该架构使用ImageNet数据集进行预训练，然后使用mini-ddsm数据集进行微调。7. 讨论基于上述实验结果，我们可以得出结论，用不同数据集预训练的网络模型优于从头开始的训练，如表1和表2中的VGG 16结果所证明的。当使用ImageNet数据集进行预训练，然后使用mini-DDSM时，VGG 16分类器的性能明显更好。预训练时的VGG 16在从头开始训练并从不足的拟合中获得支持时失败得很惨，这可能归因于VGG 16架构的复杂性[12，13]。然而，从头开始训练的Alex Net表现更好（图6），准确率为0.65（表4）。此外，在另一个实验中，VGG16和ResNet使用ImageNet数据进行了预训练，表2不同分类器的性能比较。见图6。 lr 0.06的Alex Net模型的准确度图。见图7。 lr 0.001时Alex Net模型的准确度图。使用mini-DDSM数据进行微调在这种情况下，VGG16的表现优于8. 结论该研究得出结论，当网络分类器应用迁移学习时，它们的表现比从头开始训练时更好，如VGG16的情况所示。由于成像数据量有限，网络模型的精度较低。这一领域的未来工作将包括使用不同的神经网络分类器，并将它们与其他网络算法相结合。观察和评估分类器的性能以提高其准确性结果将是非常有趣的。除此之外，可以使用其他验证分割变量来检查对模型性能的影响（图1和图2）。3、4、6-13，表3和4）。CNN时代L.Rate规格灵敏度AUC准确度（%）AlexNet500.0010.91940.96460.86520.6589500.060.91330.96370.84900.63841000.0010.91940.96460.86520.65891000.060.91330.96370.84900.6384VGG-16500.0010.34390.31220.50000.312500.060.34390.37560.53170.37561000.0010.34390.31220.50000.3121000.060.34390.37560.53170.3756S. 莫哈帕特拉山Mududuy，S.Mohanty等人可持续运营和计算机3（2022）296301图8.第八条。lr 0.001时VGG 16模型的准确度图。见图9。 lr 0.06的VGG 16模型的准确度图。表4VGG16和ResNet与预训练权重的性能比较CNN时代L.Rate规格灵敏度AUC准确度（%）VGG-16500.0010.90350.91240.82950.6570500.060.83220.82570.74140.65421000.0010.90350.91240.82950.65701000.060.83130.76230.74370.651ResNet500.0010.80200.67850.69660.5927500.060.81640.78190.71730.61981000.0010.80200.67850.69660.59271000.060.82430.87330.72400.6226图十一岁 VGG 16（预训练）的准确度图，lr 0.06。图12个。 ResNet（预训练）模型的精度图，lr 0.001。图10个。 VGG 16（预训练）的准确 度图，lr 0.001。表3使用迁移学习和不同超参数的网络分类器的准确性。图13岁 ResNet（预训练）模型的精度图，lr 0.06。CNN时代优化器批量学习率准确度（%）VGG 1650亚当160.0010.657050亚当160.060.6542100亚当160.0010.6412100亚当160.060.6514ResNet5050亚当160.0010.592750亚当160.060.6198100亚当160.0010.6086100亚当160.060.6226S. 莫哈帕特拉山Mududuy，S.Mohanty等人可持续运营和计算机3（2022）296302竞争利益这份手稿的作者之间没有矛盾。引用[1]G.H.我，M。Marey，S.A. El-Sayed，M.F.基于Tolba，YOLO的乳腺肿块检测和全视野数字乳腺X线摄影分类，COMPUT。方法程序生物医学。（2020）105823，doi：10.1016/j.cmpb.2020.105823。[2] DA Ragab，M Sharkas，S Marshall，J.Ren，使用深度卷积神经网络和支持向量机进行乳腺癌检测机器，PeerJ。7（2019）e6201，doi：10.7717/peerj.6201。[3] H. Li，S. Zhuang，D.李建，赵玉.马，良性和恶性马的分类-基于深度学习的mogram图像，Biomed。 信号过程控制51（2019）347 -354，doi：10.1016/j.bspc.2019.02.017。[4] N. Dhungel，G. A. P. Bradley，使用级联深度学习和随机森林进行乳房X线照片中的自动质量检测，2015年数字图像计算国际会议：技术和应用（DICTA），2015年，doi：10.1109/dicta.2015.7371234。[5] J. Tang，R.M.Rangayyan，J.徐岛纳卡岛计算机辅助检测和乳腺X线摄影诊断乳腺癌：最新进展，IEEE trans. Inf. Technol. Biomed. 13（2）（2009）236-251，doi：10.1109/TITB.2008.2009441。[6] Z. Wang，M.Li，H.Wang，H.Jiang，Y.Yao，H.张，J.Xin，使用基于CNN深度特征 融合的 极端 学习机 器进行 乳腺 癌检测 ，IEEE Access（ 2019） 1， doi ：10.1109/access.2019.2892795。[7] H.K. Tripathy， S. 米什拉， P.K. MallickA.R. 熊猫 (Ed.)、 技术进步-机器学习在医疗保健中的应用，研究。内特尔（2021），doi：10.1007/978-981-33-4698-7.[8] SA Hassan，MS Sayed，MI Abdalla，MA Rashwan，使用深度卷积神经网络和转移学习进行乳腺癌肿块分类，Multimed。工具应用79（2020）30735-30768，doi：10.1007/s11042-020-09518-w。[9] PTNguyen、TT Nguyen、NC Nguyen、TT Le，多类乳腺癌分类使用卷积神经网络，在：2019年国际电气和电子工程研讨会（ISEE），2019年，第10页。130-134[10] 图像增强和双层转移机器学习架构对肿瘤分类的影响，载于：2019年第8届计算与模 式 识 别 国 际 会 议 论 文 集 ， 2021 年 10 月 12 日 访 问 ， doi ：10.1145/3373509.3373584。[11]沈 L、 马戈利斯 LR， Rothstein JH，Fluder E， 麦克布赖德河 中文（简体）深度学习改善筛查乳腺X线摄影的乳腺癌检测。10.1038/s41598-019-48995-4[12]ON Oyelade，AE Ezugwu，一种使用数据增强的深度学习模型，用于检测整个图像和图像块中的建筑变形，Biomed。信号处理。Control 65（2021）102366，doi：10.1016/j.bspc.2020.102366。[13]R Agarwal，O Diaz，X Lladó，MH Yap，R Martí，使用深度卷积神经网络进行乳 房 X 线 照 片 中 的 自 动 肿 块 检 测 ， JMI 6 ： 031409 （ 2019 ） ， doi ：10.1117/1.JMI.6.3.031409。[14]Lévy D，Jain A（2016）使用深度卷积神经网络从乳房X线照片中进行乳房肿块分类。[15]BQ Huynh，H Li，ML Giger，使用数字乳腺摄影进行肿瘤分类深 度 卷 积 神 经 网 络 的 迁 移 学 习 ， JMI 3 （ 2016 ） 034501 ， doi ：10.1117/1.JMI.3.3.034501。[16] 邹玲，余世，孟泰，张忠，梁旭，谢毅，基于卷积神经网络的乳腺癌诊断技术综述 ， 计 算 机 辅 助 诊 断 。 数 学 方 法 医 学 （ 2019 ） 2019 ， doi ：10.1155/2019/6509357。[17]C Shorten，TM Khoshgoftaar，深度学习图像数据增强调查ing，J. 大数据6（2019）1 -48，doi：10.1186/s40537-019-0197-0。[18] L Tsochatzavik，L Costaridou，I Pratikakis，从乳房X线照片中进行乳腺癌诊断的深度学习-比较研究，J. Imaging 5（2019）37，doi：10.3390/jimaging 5030037。[19]SutskeverIlyaKrizhevskyAlex ， HE ， ImageNetclassificationwithdeepconvolutionalneuralnetworks ， Commun.ACM （ 2017 ） ， doi ：10.1145/3065386.[20] MMaskey，R Ramachandran，JJ Miller，J Zhang，I Gurung，地球科学深度学习-ing：应用和经验教训，在：IGARSS 2018 - 2018 IEEE国际地球科学和遥感研讨会，2018年，pp.1760-1763年。[21]深度学习的迁移学习IBMDeveloper，2021年10月12日https://developer.ibm.com/articles/transfer-learning-for-deep-learning/访问。[22] SJS Gardezi，A Elazab，B Lei，T Wang，乳腺癌的检测和诊断乳腺X线摄影数据：系统性综述，J. Med. Internet Res. 21（2019）e14464，doi：10.2196/14464。[23] K. 他 ， X 。 Zhang ， S. Ren ， J. Sun ， Deep residual learning for imagerecognition ， 2016IEEEConferenceonComputerVisionandPatternRecognition（CVPR），2016，doi：10.1109/cvpr.2016.90.[24] Sksaran Munmin Swain，Jyotrimay Chatterjee，Azwean Abdhullah NewZaman，SachiNandan Mohanty，基于混合机器学习的分形分析技术用于乳腺癌分类，J.Adv. Comput.Sci.申请11（4）（2020）234-245（2020）。ISSN 2158-107X。[25] S.K.放大图片作者：K. Shankar，N Arunkumar，用于CT图像上肺癌分类的最佳深度学习模型，Future Gener。Comput. Syst. 92（1）（2019）374 -382，doi：10.1016/j.future.2018.10.009，ISSN：0167-739X.[26] BibhuPrasad Sahu，Sachi Nandan Mohanty，Saroj Kumar Rout，混合方法对于乳腺癌的分类和诊断，EAI认可的跨。可扩展信息系统6（20）（2019）1[27] BibhuPrasad Sahu，Sujata Das，Sachi Nandan Mohanty，Saroj Kumar Rout，乳腺癌诊断数据集的Encampaign比较研究，Int. J. Eng. Technol. 7（2018）281