摘要
乳腺癌是临床上最常见的实体瘤之一。乳腺X线摄影（mammography）是目前最广泛使用的乳腺癌筛查技术。传统的基于手工特征的乳腺影像分类或分割方法，通常依赖大量人工标注的分割数据进行模型训练与结果验证。然而，人工标注过程成本高昂、耗时且劳动强度大，显著增加了系统构建的总体成本。为降低这一成本并减轻放射科医师的工作负担，本文提出一种基于深度神经网络的端到端全图乳腺影像分类方法，用于构建分类器。该方法无需训练数据中的边界框（bounding boxes）或掩码（mask）真值标签，仅需乳腺影像的分类标签即可完成模型构建。这类标签可相对容易地从诊断报告中获取。由于乳腺病灶通常仅占乳腺影像总可视区域的一小部分，本文提出了一种针对卷积神经网络（CNN）的新型池化结构，替代传统的池化方法。该结构通过将图像划分为多个区域，并选取恶性概率较高的若干区域作为整幅乳腺影像的代表性特征，从而更有效地捕捉病灶信息。所提出的池化结构可广泛应用于大多数基于CNN的模型，且在输入不变的前提下，显著提升了模型在乳腺影像数据上的性能表现。在公开可获取的INbreast数据集与CBIS数据集上的实验结果表明，与以往基于分割标注的先进乳腺影像分类器及检测算法相比，本文所提出的池化结构在乳腺影像分类任务中表现出优异的性能。