摘要
乳腺癌是全球女性中最常见且致死率极高的癌症之一。尽管超声和乳腺X线摄影等非侵入性技术已被广泛用于临床诊断，但组织活检后的组织病理学检查仍被视为诊断的“金标准”。然而，人工对组织切片进行异常检测不仅耗时耗力、成本高昂，还要求操作者具备丰富的专业知识。在资源匮乏和偏远地区，早期筛查、公众意识提升以及专业医疗基础设施的可及性仍是重大挑战，但这些因素对于挽救生命至关重要。近年来，随着GPU内存容量、计算能力的提升以及数字病理图像数据的广泛可用，基于深度学习的乳腺癌检测方法展现出显著成效。受此启发，本文提出一种名为Breast-NET的深度卷积神经网络模型，用于基于组织病理图像的乳腺癌检测与分级。我们将在BreakHis数据集上评估该模型的性能，并进一步验证其在侵袭性导管癌（Invasive Ductal Carcinoma, IDC）分级与IDC数据集上的泛化能力。通过大量实验与统计性能分析，结合消融研究，充分证明了所提模型的有效性与高效性。此外，本文还系统评估了七种预训练卷积神经网络在乳腺癌检测与分级任务中应用迁移学习的效果。实验结果表明，所提出的框架在BreakHis、IDC分级及IDC三个数据集上，均在准确率、模型空间占用和计算复杂度方面优于当前最先进的方法，展现出卓越的综合性能。