SECS: 乳腺癌组织图像分类的有效构建策略

PDF格式 | 1.82MB | 更新于2025-01-16 | 58 浏览量 | 举报

沙特国王大学学报

SECS：一种有效的乳腺癌组织病理图像分类CNN联合构建策略

于典志

，林建武

，曹腾宝

，陈扬

，李明飞

，

张欣

，

张

贵州大学大数据与信息工程学院，贵州贵阳

550000

黔南民族师范学院计算机与信息学院，贵州都匀，

558000

阿提奇莱因福奥

文章历史记录：

收到2022年

2022年12月13日修订

2023年1月24日接受

2023

年

月

日上线

保留字：

显微镜

注意力机制乳腺癌组织学

图像深度学习

A B S T R A C T

乳腺癌是女性最常见的癌症之一。可靠的病理学鉴定可以帮助组织病理学家做出准确的乳腺癌诊断，但需要专

业的组织病理学知识和大量的人力和医疗资源。在这项研究中，我们融合了协调注意机制，以增强DenseNet

的图像纹理分析能力，并建立了CA-BreastNet模型来分类BreakHis数据集中特定类型乳腺癌的显微组织病理

学图像。更重要的是，基于专门的增强分类策略（SECS）的卷积决策树被构建，通过减少数据集结构对模型

精度的限制来提高网络的整体精度相关实验结果表明，该网络具有较强的性能，SECS为研究人员提供了可靠

有效的性能增强指南。卷积决策树的二进制分类准确率达到99.75%，八类分类准确率达到95.69%，这意味着

我们的模型和策略将在乳腺癌的自动诊断领域

CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。

介绍

乳腺癌是仅次于肺癌的女性最致命的癌症之一，2019年美国的死亡

率为 19.4%（ Trapani et al.， 2022年）。根据GLOBOCAN 2癌症

Tomor-row工具，预计发病病例将增加超过到 2040年达到 46%

（Reinert等人，2021年）。对于乳腺癌患者来说，好消息是，如果

早期诊断和治疗，乳腺癌有更高的可治疗恶性肿瘤率。组织学医生主要

能区分乳腺癌的类型

缩略语：

SECS

，专用增强分类器策略

; HI

，

Hierarchical

图像

;SEC

，专用增强分类器

;

CDT

，卷积决策树

; ESC

，等效子任务分类器。

通讯作者：大数据与信息工程学院

贵州大学，贵州省贵阳市，

550000

黔南民族师范学院计算机与信息学院

; Li

）。

电子邮件地址：

ok17684206718@163.com （D. 于）， ljw971121@163.com

（J. Lin）， 15283673634@163.com （T.Cao）， cy52cv2022@163.com （ Y.陈先生

191213375@qq.comLi），xzhang1@gzu.edu.cn（X. 张）。

沙特国王大学负责同行审查

制作和主办：Elsevier

根据三种类型的医学图像，包括超声图像、

射线图像和组织病理学

图像（

）。

提供了金标准证据，为病理学家显示清晰的组织纹

理为了

获得HI数据，使用专用针作为筛选工具

以从可疑癌性区域提取

组织核心，

其产生各种放大水平的组织病理学图像

（

Chattopadhyay

等人，

2022

年）。在评估期间，组织病理学家

通过分析它们的组织

学性质以及乳房实质的正常结构的变化来在苏木精和曙红（

）染色

的组织切片的显微部分上寻找癌症的迹象（

Kumar

等人，

2020

年）。

目前，对

的判断仍以肉眼观察图像数据为主，虽然可以用较少

的样本保证诊断结果准确因此，乳腺癌病理检测方法的自动化对节约

公共医疗资源、提高检测的可靠性具有重要乳腺癌

的检测涉及关

于细胞聚集、组织结构和不同图像分辨率的丰富且复杂的信息因此，

在乳腺癌组织的分类任务中保持足够的鲁棒性是自动检测器面临的巨

大挑战。最近，计算机辅助诊断（

CAD

）技术增加了对乳腺癌诊断

的医学图像自动分析领域的兴趣（

Thawkar

，

2022;

https://doi.org/10.1016/j.jksuci.2023.01.017

这是一篇基于

CC BY-NC-ND

许可证的开放获取文章（

http://creativecommons.org/licenses/by-nc-nd/4.0/

）。

可在ScienceDirect上获得目录列表

沙特国王大学学报

杂志首页：

www.sciencedirect.com

D. Yu

，

J. Lin

，

T. Cao

等

人

沙特国王大学学报

811

HongpingHu

等人，

2022; Nomani

等人，

2022

年）。在适用于

CAD

的各种类型的机器学习方法中，卷积神经网络（

CNN

）是最先进的

方法之一（

Fan

等人，

2022; Faruqui

等人，

2021; Khatami

等人，

2018; Kumar

等人，

2021; Shokraei Fard

等人，

2022; Tsafas

等

人，

2022;Vankdothu

等人，

2022

年）。与具有手工特征的传统机

器学习方法不同，

CNN

可以从原始图像数据中自动学习内在特征，

即使是具有复杂纹理和背景的

相关工作

在乳腺癌识别研究的早期阶段，由于缺乏人工智能数据集，制约

了相关深度学习研究的出现随着人们对乳腺癌的关注度越来越高，越

来越多的研究人员进入了利用深度学习进行乳腺癌

识别的领域

（

Karuppasamyet al.

，

2022

年）。

Spanhol

（

Spanhol

等人，

2016

）构建了一个相对丰富和全面的乳腺癌

数据集，称为

BreakHis

，目前最常用于通过

CAD

进行乳腺癌的组织病理学识别。

为了确保不同研究之间的可比性，文献综述中的乳腺癌

分类方法

均在

BreakHis

数据集上进行

在使用

CNN

进行乳腺癌组织病理学分类的早期研究中，研究人员

专注于二进制分类任务和卷积层较少且结构简单的

CNN

网络，如

AlexNet

（

AlexKrizhevsky

，

2012

）。

Spanhol

等人（

2016

）在

Caffe

框架下使用了稍微适度的

AlexNet

模型。该模型在

ImageNet

数

据集上进行预训练（

Deng et al.

，

2009

年）和

良恶性分类准确率为81.6%~ 84.8%。Abdullah-Al和Kong（2018）构

建了一个CNN，其中有两个并行的特征提取器，每个提取器由五个残差

块组成。在200个数据集上实现了最佳的二进制分类性能，并提供了

92.19%的准确率。在Matos et al.（2019）中，de Matos et al.利用

ImageNet和CRC数据集进行了迁移学习的新用途。首先，在ImageNet

数据集上训练Inception V3模型以提取特征。然后，用两个支持向量机

代替模型的回归分类器。报告的准确度在86.7%和91.0%之间。 Han等

人（2017）建立了一种端到端分类方法，基于类结构的深度卷积神

经网络（CSDCNN）模型，这是一种非线性表示学习模型，它将特征

提取步骤放弃为特征学习。采用CSDCNN和数据增强的方法，最好的

二进制分类准确率达到93.2%。

随着临床应用的需求越来越迫切，乳腺癌的亚类自动诊断成为重

要的研究内容。

Bardou

等人（

2018

）使用

BVLCCaffe

构建了一个由五

个卷积层和两个全连接层组成的

CNN

。由于模型结构简单，二分类

和八分类的准确率为

98.33%

，

百分之八十八点二三随着越来越多优秀的网络和训练技巧的出现，

CNN

在乳腺癌

HIs

的子类别分类上

Boumaraf

等人（

2021

）应用

CNN

模型

ResNet18

来处理

BreakHis

数据集的二进制和八类分类任

务。该模型在

ImageNet

上进行了预训练，并应用了逐块微调策略，

其中

CNN

模型的最后两个残差块对数据更具有域特定性他们提出的

模型实现了

98.42%

的二进制分类和

92.03%

的八类分类的准确率。

Zaalouk

等人（

2022

）训练了几个

CNN

模型，以搜索

BreakHis

数据

集的二进制和八类分类任务此外，还采用随机旋转和水平翻转等数据

增强方法处理过拟合问题。比较结果表明，预训练的

Xception

模型

在二分类和八类分类中分别达到了

98.99%

和

93.32%

的最高准确率

根据上述研究，深度学习方法提供了很大的性能改进，其性能改

进的方法可以总结如下：

广泛使用的迁移学习应用（Pan and Yang，2010）一般是有效的，

它可以缩短训练的收敛时间，提高网络的学习性能。

数据增强方法增加了数据的丰富性，从数据层面缓解了网络的性

能限制，并在一定程度上避免了过拟合。

CNN与其他模块的融合可以加强局部CNN模块，以提高整体分类性

能，如CNN加SVM，CNN加LSTM等以CNN为主的结构模型。

方法

3.1.

整体工作流程

设计的工作流程（图）

）分为三个部分。第一部分是数据预处

理阶段，使用三种数据扩充来丰富数据量。第二部分是基于

BreakHis

数据集的基本分类器的构建和性能评估，以及基于

SECS

的特定增强分类器（

SECs

）的训练第三部分包括指定多种类型的

SEC-CDT

。到

●

D. Yu

，

J. Lin

，

T. Cao

等

人

沙特国王大学学报

812

Fig. 1.基于SECS的网络设计工作流程。

挑选出具有最佳性能的SEC-CDT，用来自BreakHis数据集的HI图像的

验证集评估具有不同结构的CDT。

3.2.

材料和数据预处理

BreakHis数据集由来自82名乳腺癌患者的7909张乳腺肿瘤组织显微

图像组成，包括2480个良性样本和5429个恶性样本。在四种不同的放

大率下将数据集分为八类，便于研究人员识别细粒度的类别。数据集的

组成见表1。

由于临床检测过程中所选用的染料染色时间不同、显微镜放大倍数

不同等因素，同一类别的部分图片之间存在明显的差异性（图 2

（a）），这就要求模型具有较高的泛化能力。然而，也有一些样本在

不同乳腺癌类别之间的组织纹理特征和细胞核差异方面存在轻微差异

（图2（b）），例如具有高相似性的LC和DC样本，这可能会混淆网

络。根据先前研究中提到的识别模型的结果，这两种类型的样本之间的

混淆是错误的主要来源

我们通过数据增强（包括翻转、旋转和对比度增强）扩大了

BreakHis

数据集的规模

抖动，以提高组织病理学图像数据的利用率。旋转方法使用

至

350

度的随机角度。为了防止抖动范围过大，对比度抖动的随机范围和亮

度增强范围被设置为

1.1

在数据增强之前，我们根据不同乳腺癌类别

的数量分布将数据集随机分为

90%

的训练集（

7121

）和

10%

的

3.3.

CNN

原型选择

对于分类器原型选择，我们将不同类型的原始CNN模型应用于乳腺

癌HI分类任务。选择网络原型作为基本分类器进行优化。为了保证所得

到的网络在乳腺癌HI的分类任务中具有最佳性能，比较了6个候选网络

的性能，包括VGG，ResNet，ResNext，GoogleNet，MobileNet和

DenseNet。所有模型都是在批量大小为32，epoch数为100，学习率为

0.0001，Adam优化器的情况下进行训练的。此外，后续的实验也遵循

这套超参数设置。

相关的训练和验证过程如图3所示。值得注意的是，最终的训练结果

显示，DenseNet具有最高的性能，二进制的准确率为97.59

表1

BreakHis

数据集的组成。

放大率等级

良性恶性全A F PT TA DC LC MC PC

40× 114 253 109 149 864 156 205 145 1995

100× 113 260 121 150 903 170 222 142 2081

200× 111 264 108 140 896 163 196 135 2013

400× 106 237 115 130 788 137 169 138 1820

共计

444 1014 453 569 3451 626 792 562 7909

2480 5429

剩余10页未读，继续阅读

cpongm

粉丝: 6

SECS: 乳腺癌组织图像分类的有效构建策略

SECS:AS3框架—简单实体组件系统的设计与应用

工研院SECS/GEM解决方案：快速构建设备通讯能力

金南瓜科技GEM/SECS模拟器：测试E5、E37及HSMS设备通讯

SECS:AS3 的简单实体组件系统

Java源码解析：SECS协议中的多进制转换算法在半导体行业的应用,Java源码实现SECS协议：进制转换在半导体行业的应用,java源码 SECS协议，里面包含各种进制转，用于半导体行业 ,jav

Java源码实现SECS协议：进制转换应用于半导体行业,java源码 SECS协议，里面包含各种进制转，用于半导体行业 ,核心关键词：Java源码; SECS协议; 进制转换; 半导体行业;,"Ja

半导体上位机，C#实现Secs/Gem通信，亲测有效并修改

深入理解SECS协议：GEM与HSMS通用消息服务

SECS协议：半导体设备自动化通信的关键简介与功能详解

SECS通讯调试利器：SECS模拟器介绍与应用

最新资源