SECS: 乳腺癌组织图像分类的有效构建策略

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a，林建武a，曹腾宝a，陈扬a，李明飞a，b，张欣a，张a贵州大学大数据与信息工程学院，贵州贵阳550000b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2月1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版权所有©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 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、X射线图像和组织病理学图像（HI）。HI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（HE）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HI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HI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.2023.01.0171319-1578/©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于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.comD. 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HI 最近的相关研究（Senior et al.，2022年; Daughheem等人，2021; Demir，2021; Chattopadhyay等人， 2022）证明了CNN在分类乳腺癌组织病理学图像的任务中具有出色的性能。毫无疑问，CNN正在成为乳腺癌组织病理学检测的重要工具。在这项研究中，我们提出了一种新的策略，用于构建具有联合CNN网络和七种类型的卷积决策树（CDT）的模型，以对BreakHis数据集中的HI进行分类（Spanhol等人，2016年）。根据临床诊断需要，对于乳腺癌的HI，有两个主要的分类任务：良性和恶性样本的二元分类任务，以及A/F/PT/TA/PC/DC/LC/MC样本的八类分类任务。我们将分类任务区分为放大率相关（MD）和放大率无关（MI）任务，以充分表征我们的网络的分类性能。本文的主要工作概括如下：改进的DenseNet（Huang等人，2017）称为CA-BreastNet的神经网络被设计为基本分类器，以初步获得BreakHis数据集的预期分类性能。我们结合了一个协调的注意力机制（Hou等人，2021），以提高网络在不同图像放大率下对复杂纹理的特征提取能力。利用BreakHis数据集，在数据增强之后，网络使用焦点损失（Lin等人，2018），以增加模型对硬样本的关注，如LC和DC，从而使网络更加稳定和平衡。我们提出了专门的增强分类策略（SECS）的快速和稳定的提高模型的准确性。它为综合分析网络性能提供了一种可行的方法，也为那些不能熟练改造CNN网络内部结构的医学研究者2. 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HI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 HI 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HI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。3. 方法3.1. 整体工作流程设计的工作流程（图） 1）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812Fig. 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10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1BreakHis数据集的组成。放大率等级良性恶性全A F PT TA DC LC MC PC40× 114 253 109 149 864 156 205 145 1995100× 113 260 121 150 903 170 222 142 2081200× 111 264 108 140 896 163 196 135 2013400× 106 237 115 130 788 137 169 138 1820共计444 1014 453 569 3451 626 792 562 79092480 5429D. Yu，J. Lin，T. Cao等人沙特国王大学学报813ð ÞCC图二. BreakHis HIs数据集的类间和类内变化，（a）DC（40×）图像之间存在巨大差异，（b）DC（左）和LC（右）（400×）图像之间存在高度相似性。8级分类率为90.10%。因此，DenseNet是接受后续优化的理想分类器原型。3.4. CA-BreastNet结构协调注意（CA）（Hou et al.，2021），一种新的空间域注意力模块（ Chaudhari 等人， 2021; Niu 等人， 2021; Usama 等人，2019），利用特殊的条带核来对特征图中每个位置的水平和垂直信息进行建模，以增强网络聚焦于疑似乳腺癌巢的能力。初始值的最终输出yc i;j特征图是通过加权最终的垂直和水平，在相应的张量维度中的zero-attention权重（gh，gw）：yci;jxci;j×ghi×gwj13.5. Grad-CAMCNN的特征图的前向传播过程就像一个黑盒子，研究人员通常无法解释网络在注意力在HI中的分布方面的性能改进。 在本研究中，我们使用了Grad-CAM（Selvaraju等人，2020）来可视化特征图中每个网络的注意力分布。Grad-CAM计算目标特征层的分类得分和梯度，得到特征通道权重向量，并将该向量作为注意力热图应用于特征图。Grad-CAM的主要计算过程如图所示。 五、3.6. 专门化的强化分类战略完全训练好的CA-BreastNet可以实现对8种乳腺癌HI的诊断功能，但对于LC、DC等疑难样本，解决混淆问题的方法是不理想对于那些在光学方面经验较少的医学研究人员来说为了尽可能地加强网络对乳腺癌HI的纹理分析能力，我们在DenseNet 121特征提取网络中的每个Denseblock之后嵌入CA模块，形成CA-BreastNet作为基本分类器（图4）。与此同时，我们应用其他训练技巧与CA-BreastNet合作以探索更多性能：批量归一化（Ioffe和Szegedy，2015），用于减轻数据分布对网络训练的影响，dropout（Srivastava等人，2014），用于降低网络过拟合的程度和焦点损失（Lin等人，2018年），用于合理增加网络难评分样本对损失的贡献。由于缺乏针对不同任务稳定增强特定网络的有效方法，CNN模型无法提高临床研究和利用的网络性能。为了缓解上述问题，我们提出了SECS，并构建了基于乳腺癌分类子任务的SEC-CDTs。先前的研究还使用了额外的分类器或将整个分类任务分成几个子任务以增强模型性能（Fang等人，2022; Hu等人，2022;Shi等人，2020;Wong和Lai，2020; Yao等人，2020年），但没有一个系统地形成一个理论，并分析其解释性和可行性。D. Yu，J. Lin，T. Cao等人沙特国王大学学报814图三. 多类型模型的训练过程。图四、CA-BreastNet分类网络的结构D. Yu，J. Lin，T. Cao等人沙特国王大学学报815L加速度1-X Xa 1-P 1-P2-3L图五. Grad-Cam的主要进展3.7. 等价卷积决策树及其性能计算仍然用作当前分类器的误差样本。等效CDT的最终精度Acc如下：LNl对于乳腺癌分类神经网络，我们可以将CA-BreastNet的分类功能划分为多个子任务组成，并通过上下级联的方式连接形成CDT（图6）。如果卷积分类网络产生N个分类结果，则整个网络等效于具有N个叶节点和深度L的CDT，并且每个中间节点通过等效分类器执行分类子任务的相应功能。由于可以使用不同的规则来划分数据结构，因此整个网络可以等效于具有不同配置的多个CDT。表示第l个任务分类器中的子任务分类器的数量。具有特定配置的CDT的层。的准确性这一层中的第i个分类器为P i，该分类器中涉及的数据占整个数据集的相应比例为ai。应当指出，为了便于计算，公认的评价指标，Pi和ai是通过统计获得的。我我L ll¼1i¼ 1根据上述分析，原始CNN模型可以等效于由多个等效子任务分类器（ESC）组成的不同CDT，这些子任务分类器共享同一组权重参数。因此，一个直观的方法是单独训练子任务分类器，让它们独立使用权重这可以增强子任务分类器的性能，并且很可能增强整体模型的性能。我们将这些改进的ESC称为专用增强分类器（SEC）。SECS的一个主要特点是，单个SEC的精度可以用来精确计算每个SEC-CDT的最终精度性能。由于网络独立训练过程中存在误分类样本的重叠问题，计算方法与等效CDT略有不同。假设在独立的SECS培训过程之后，L l对当前分类器所涉及的所有数据的类别进行分析，并对上层所涉及的误分类样本进行等效CDT中第l层的第s个子任务分类器被SEC替换，SEC的误分类样本被聚合为见图6。 基于SECS的等效CDT和SEC-CDT精度计算。D. Yu，J. Lin，T. Cao等人沙特国王大学学报816LLL·sPlSLLPlTP~FNAs¼As;As·· ·As××X@Xl·-PlXlai一）设置As¼。As;As· · ·As样本集及其包含的误分类样本集L● 重新评估每个CDT的性能，并筛选出o（L◦ ◦L2ln最佳表演者。在两个集合的交集中的元素的个数是m，并且数据集中的样本的个数是M。因此，SEC3.8. 评价标准准确度，定义为正确分类的样本与所有验证样本的比例，是最重要的评价bs¼伊什Mð4Þ指标，因为它代表了模型的整体分类性能。所有评价标准及其定义均已显示当前层中的所有SEC的数量为Nl，并且每个SEC的精度为·s。则SEC替换后CDT的总体精度AccSEC如下：表2中 以获得更客观和平衡的评价指标，我们还利用F1-得分来综合评估网络性能。L0N s。ΣACC1S-一SEC¼N1-Ns布雷布1/1.Σ1L-1P4. 结果讨论ð5Þ4.1. CA-BreastNet的消融实验从等式（5）在假定其它SEC性能没有波动的情况下，当某个SEC的精度P·s比原网络相应的ESC提高时，由这些SEC构造的CDT（SEC-CDT）的性能与等效CDT相比必然会提高。当·s没有变化时，如果存在重叠的误分类样本（bs>0），则网络也会经历性能改善。因此，构建一个特定类型的SEC-CDT的目标是培养比ESC更高性能的SEC用于对应的子任务分类。为了获得具有最高性能改进的SEC-CDT，我们仅需要用提供性能改进的特定SEC替换 CDT中的所有ESC3.7.1. SEC-CDT施工工艺在构建基础网络（CA-BreastNet）之后，具体的SEC-CDT构建过程（图7）包括以下步骤：为了确定用于基本分类器的增强方法的最佳组合，我们进行了相关的消融实验（表3）。结果表明，CA模型+数据增强+聚焦损失是增强效果最好的方法组合。与原始DenseNet网络相比，CA-BreastNet实现了以下改进：在联合强化方法下，二类和八类分类任务的正确率分别为2.16%和4.70%在复杂的八类分类任务中的准确率达到94.80%，因此CA-BreastNet可以作为一个理想的基本分类器的性能分析和建立基于SECS的CDTs。在每个网络的最后一个特征图的类注意力图中（图7），DenseNet表现稍好，可以有效过滤非组织区域，但其注意力广泛分布在所有组织区域，不能准确捕捉乳腺癌HI中病变位置的纹理信息。CA-BreastNet的关注区域缩小，模型聚焦更多表2评价标准和计算。● 根据分布情况确定各种ESC的准确性混淆样品的分离;评价标准计算公式取值范围● 设计和培训SEC;精度TPTN01TN比较SEC与ESC的性能，选择性能较好的SEC替代ESC，构建不同类型的SEC-CDT，完成乳腺癌HI的分类任务;精密TP公司简介召回TPTPFFN专属性TNFP-100F1-评分2精度召回精确度和召回率见图7。Grad-CAM的比较结果●由上层分类器产生。 数量L1SLIll¼1s1D. Yu，J. Lin，T. Cao等人沙特国王大学学报表3817CA-BreastNet的消融实验型号CA数据聚焦损失模型尺寸二进制八––pp pp98.94 99.75 95.59 94.80表4CA-BreastNet和SEC的子任务准确度子集名称子任务CA-BreastNet %SEC%BM[DC LC MC PC]99.7599.75[阿、法、泰]DL直流LC93.8594.30DLMDC LC MC93.6293.80FMDC LC MC PC94.0992.44FBA F PT TA97.1399.19在癌巢可疑区域和组织结构上的差异，表明CA模块可以提高DenseNet提取乳腺癌HI癌变特征的能力。4.2. ECS分析和CDT构建根据BreakHis的数据结构和混淆样本的分布，我们完成了相应分类任务的五个SEC的训练，包括（a）良性和恶性（BM）类别，（b）DC和LC的二元分类（DL），（c）DC，LC和MC的三类分类（DLM），（d）四个良性（FB）类别，（e）四个恶性（FM）类别。用CA-BreastNet完成相应SEC的训练和比较过程（表4）后，我们发现三个SECDL、DLM和FB分别提高了0.25%、0.18%和2.06%。根据等式（5）、由上述三个SEC组成的网络应该具有最佳性能。为了充分探索SECS的实际意义以及不同的增强分类器部署方案对性能的影响，我们还部署了剩余的两个SEC，以最终构建七种类型的CDT（图1）。 8）。4.3. 不同SEC-CDT不同SEC-CDT的MD和MI分类性能如表5和表6所示。由于4型中恶性SEC的性能较差，3型的性能优于4型0.38%。Type 6的准确率可达95.69%，在所有CDT中排名第一。类型6比第二好的表现者类型7具有0.41%的准确性优势，这表明尽管DL和DLM SEC构成了对基本分类器的一定改进，但前者对网络准确性改进的贡献大于后者。一般来说，SEC-CDT的性能将受到包括未改进的SEC（类型4、5）的负面影响，并且其最终性能甚至可能低于基本分类器（类型1、2）的性能。完全由改进的SEC组成的CDT与原始网络相比，如Type 6和Type 7，将得到显著改善，这也证明了Eq.（五）、图8.第八条。根据SECS和改进的SECS的七种类型的CDTModule Augment Binary/Eight（培训验证培训验证CA-BreastNet–97.9997.5992.7390.10–98.5999.7595.7593.40p98.6199.4995.1194.04–27.2/27.698.5797.9893.3990.23–98.7699.7595.2293.78D. Yu，J. Lin，T. Cao等人沙特国王大学学报表5818MD八类分类任务中不同类型的CDT表现。CDT判据准确度（%）精密度（%）召回率（%）特异性（%）F1评分（%）类型1类型2类型3类型4类型5类型6类型740× 94.95 94.95 94.44 93.43 94.44 95.96 96.46100× 94.42 94.42 95.43 95.43 95.94 94.24 95.94200× 90.86 90.86 94.42 93.91 94.42 95.43 93.91400× 96.94 96.94 95.41 95.41 95.91 96.43 95.9140× 95.18 95.18 92.59 91.79 95.19 96.58 96.86100× 92.90 94.40 95.83 95.83 97.35 93.65 94.38200× 90.44 90.44 93.39 92.01 94.96 96.09 93.83400× 97.64 96.90 97.08 97.55 97.51 97.28 96.4840× 94.49 94.49 92.23 91.38 93.16 94.15 94.89100× 95.00 95.68 93.64 93.64 94.33 93.49 96.51200× 90.18 90.18 89.61 87.79 91.13 94.76 93.46400× 97.06 96.03 94.46 95.09 94.48 95.98 95.1340× 99.15 99.15 99.06 98.86 98.99 99.25 99.36100× 99.21 99.23 99.18 99.18 99.19 99.41200× 98.43 98.43 98.89 98.71 98.85 99.09 98.89400× 99.48 99.40 99.16 99.23 99.23 99.38 99.3140× 94.83 94.83 92.41 91.58 94.16 95.35 95.86100× 93.94 95.04 94.72 94.72 95.82 93.57 95.43200× 90.31 90.31 91.46 89.85 93.01 95.42 93.64400× 97.35 96.46 95.75 96.30 95.97 96.63 95.80表6MI八类分类任务中不同类型的CDT表现CDT大小（MB）FPS（%）准确度精密度（%）召回率（%）特异性（%）F1评分（%）1型83.016.2394.2894.0394.7599.0894.382型82.916.1294.2894.3994.5699.0694.473型56.319.2894.9294.8593.1499.0693.99类型484.014.8994.5495.1692.7099.0093.915型111.06.5195.1896.2893.6699.0894.956型84.016.6795.6995.8694.9199.2495.387型84.016.5795.5695.4595.3699.2495.40这两种CDT的性能比较表明，当同时存在多个改进的SEC，并且在部署过程中发生冲突时，仍然建议在选择最终的CDT之前进行比较实验4.4. 与最新技术表7显示了每个网络的八类和二进制MI分类我们提出的网络的二进制分类的准确率高达99.75%，八类分类的准确率为95.69%。 与在（Han等人，2017年），二进制分类的准确性提高了1.33%，和的精度率八类分类是增长3.66%。与在（Zaalouk等人，2022），二元分类的准确率提高了0.76%，八类分类的准确率提高了2.37%。与DeepBreast（Demir，2021）相比，我们的模型的二进制和八类分类精度分别比Deep-Breast低0.25%和4.31%。它鼓励我们在未来进一步进行模型微调和卷积与LSTM的融合，以提高模型表8显示了在不同放大水平下，每个研究与我们的研究的MD分类任务性能的比较。与其他研究中的分类方法相比，我们提出的SEC-CDT网络结构具有优异的性能，除了在几个级别的放大率。的表7MI性能与最先进的同类产品进行比较参考出版年份分类方法分类任务精度精度召回F1得分Shallu et al（Shallu，2018）。2018从头开始训练的CNN模型包含三个卷积层，一个最大池化层和两个二进制类92.6093.0093.0093.00Xiang等人（Xiang等人， 2018年）2019全连通层Inception-v3模型（Abdullah-Al和Kong，2018）二进制类95.70–––Boumaraf等人（Boumaraf等人， 2021年）2021使用Softmax层和微调策略基于MI和MD的CNN迁移学习二进制类98.4298.7599.0198.88乳腺癌八班92.0391.3990.2890.77Alfreh等人（Demir，2021）2021DeepBreastNet：CLSTM使用基于MWSA的预处理二进制类100100100100贝叶斯优化八班100100100100Zaalouk等人（Zaalouk等人， 2022年）2022带有数据增强的预训练Xception模型二进制类98.9998.9398.7198.82八班93.3292.9892.3692.44我们提出的方法2022基于SECS的CNN决策树二进制类99.7599.4099.7099.56通过协调注意力（6型CDT）改进DenseNet八班95.6995.8694.9195.38D. Yu，J. Lin，T. Cao等人沙特国王大学学报819-表8MD性能与最新技术水平的比较参考文献已发表年分类方法分类任务数据详细信息精度精度召回F的评分Bardou等人（Bardou等人，2018年）Said Boumaraf等人（Boumaraf等人， 2021年）五个卷积层和两个全连接层的2018 CNN2021基于微调策略的预训练ResNet-18模型二进制40× 98.33 97.80 97.57九十七点六八100× 97.12 98.5896.98九十七点七七200× 97.85 95.6199.28九十七点四一400× 96.15 97.5496.49九十七点零一分8级40× 88.23 84.2783.79八十三点七四100× 84.64 84.2984.48八十四点三一200× 83.31 81.8580.83八十点四十八400× 83.98 80.8481.0380.63二进制40× 99.25 99.63 99.26九十九点四十四100× 99.04 98.9999.66九十九点三三200× 99.00 98.94 99.65九十九点二十九400×98.0898.0099.19九十八点五十九分8级40× 94.49 93.8194.78九十四点一五100×93.2792.9491.59九十二点二三200× 91.29 91.1888.28八十九点四七400× 89.56 87.9787.97八十七点七七Zaalouk等人（Zaalouk等人， 2022年）2022带有数据增强的预训练Xception模型二进制40× 100 100 100100× 99.52 99.6699.21九十九点四三200× 100 100 100 100400× 99.46 99.18九十九点三八8级40× 97.01 96.85 96.47 96.10100× 95.17 95.0894.02九十四点三七200× 91.54 90.08 90.16八十九点九一400× 90.22 90.9989.97八十九点九七我们提出的方法2022 CDT基于SECS，由CA-BreastNet通过协调注意力（二进制40× 100 100 100 100100× 99.03 98.4499.30九十八点八九200× 100 100 100 100电话：0531-8888888 8888888九十八点三三8级40× 95.96 96.58 94.15 95.34100× 94.92 93.6593.49九十三点五六200× 95.43 96.0994.76九十五点四二400×96.4397.2895.98九十六点六三我们的网络模型的MD性能超过了Boumaraf等人（Boumaraf等人，2021），因为二元分类的性能提高了0.01%至1.00%，八类分类的性能提高了1.47%至6.85%。这些结果表明，由于合理的数据分离方法和基于SECS的CDT结构的有目的地构建，6型CDT在MD分类任务中提供了显着的性能改善。5. 结论通过分析子任务分类器的性能和构造卷积决策树，我们建立了一种新的分类模型，该模型具有基于SECS的联合CNN，可以准确地分类乳腺癌的组织病理学图像我们将这一成功归功于基于SECS和精心挑选的CDT的独立培训过程。本文详细介绍了SECS的原理，并在CA-BreastNet上进行了大量的CDT性能验证实验，验证了SECS的合理性在明确训练流程和完善网络构建指导的基础上，可以稳步提高模型的分类性能。除了BreakHis数据集之外，研究人员还可以在其他数据集上创建结构更好、性能更高的CDT，或者替换基本的分类网络，以满足不同的应用需求，这显示了SECS在未来研究中的巨大潜力虽然我们的网络在BreakHis和SECS中表现出了良好的性能，但我们承认相关的CNN训练和模型构建工作将消耗相当多的时间和人力。此外，运行的网络将占用相对更多的计算资源比其他CNN分类器，由于联合网络建设与专门的增强类sifiers。更大的模型架构意味着每秒的帧数用于实时检测的ond（FPS）将更低。网络的轻量化将是我们今后的重要工作之一。在乳腺癌HI诊断的实际临床场景中，HI的快速批量识别和可靠的准确性比结果的连续实时处理更重要。因此，我们提出的专门的增强分类策略适用于具有复杂数据结构的乳腺癌HI分类任务。仍有许多有前途的CDT类型有待探索。在我们未来的研究中，我们将建立新的SEC-CDTs的数据结构对应于不同级别的放大。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。致谢作者要感谢巴西巴拉那州的PD实验室，他们为我们目前的工作提供了他们的Breakhis数据集这项工作得到了贵州大学的部分支持（No.[2018]60）。我们感谢LetPub在撰写本手稿期间提供的语言引用Abdullah-Al，N.，江，Y.，2018年利用卷积神经网络进行局部和频域的乳腺图像分类信息.九十九https://doi.org/10.3390/info9010019网站。亚历克斯·克里热夫斯基，我是辛顿，通用电气，2012年。ImageNet Classification withDeep Convolutional Neural Networks，NIPS。1097-91105Bardou，D.，张，K.，Ahmad，S.M.，2018年使用卷积神经网络基于组织学图像的乳腺癌分类IEEEAccess.6，24680https://doi.org/10.1109/ACCESS.2018.2831280网站。D. Yu，J. Lin，T. Cao等人沙特国王大学学报820Boumaraf，S.，刘，X.，郑志，妈，X.，Ferkous角，2021.一种新的基于迁移学习的乳腺癌 组 织 病 理 学 图 像 放 大 依 赖 和 独 立 分 类 方 法 。 BioMed. 信 号 处 理 控 制 63,.https://doi.org/10.1016/j.bspc.2020.102192www.example.comChattopadhyay，S.，Dey，A.，辛格，P.K.，Oliva，D.，Cuevas，E.，萨卡河，2022年。MTRRE-Net：一个从组织病理学图像中检测乳腺癌的深度学习模型。Comput.生物医学150,.