基于深度特征与梯度提升方法集成的乳腺肿瘤组织病理学图像分类

乳腺癌是全球女性中最常见的癌症类型。早期诊断乳腺癌可显著提升治疗效率。由于具备可靠性、准确性和成本效益，计算机辅助诊断（CAD）系统在该领域得到广泛应用。目前用于乳腺癌诊断的影像技术多种多样，本文采用其中最准确的一种——组织病理学（histopathology）图像。所提出的CAD系统以深度特征迁移学习作为其特征提取的核心方法。尽管本研究测试了16种不同的预训练网络模型，但研究重点主要集中在分类阶段。在所有测试的卷积神经网络（CNN）中，Inception-ResNet-v2模型因其融合了残差网络（ResNet）与Inception网络的双重优势，展现出在乳腺癌组织病理图像特征提取方面的最佳性能。在分类阶段，采用CatBoost、XGBoost与LightGBM三者的集成方法取得了最优的平均准确率。实验采用BreakHis数据集对所提方法进行评估，该数据集包含7909张组织病理图像（其中良性2480张，恶性5429张），覆盖四个放大倍数（40×、100×、200×和400×）。当使用BreakHis数据集中70%的样本作为训练数据时，所提方法（IRv2-CXL）在上述四个放大倍数下的准确率分别为96.82%、95.84%、97.01%和96.15%。大多数现有自动化乳腺癌检测研究集中于特征提取环节，因此本研究将重点转向分类阶段。得益于软投票集成策略，IRv2-CXL方法在所有放大倍数下均表现出更优或相当的性能，有效融合了CatBoost、XGBoost与LightGBM各自的优势。