88、基于深度学习的乳腺癌组织学图像分类研究

基于深度学习的乳腺癌组织学图像分类研究

1. 乳腺癌组织学图像分类概述

乳腺癌是女性中常见的癌症之一，仅次于皮肤癌。早期诊断对于乳腺癌的治疗和患者的生存至关重要。传统的病理诊断依赖于病理学家的经验，不仅工作量大，而且容易出现误差。随着数字病理学、计算存储和计算能力的快速发展，计算机软件为自动识别高分辨率显微镜图像的组织类型提供了可能，从而大大提高了医生诊断的准确性，减轻了医生的工作量。

1.1 肿瘤的发展阶段

肿瘤的发展通常分为几个阶段，在 H&E 染色的切片中，不同阶段的乳腺组织呈现出不同的特征：
- 正常乳腺组织 ：具有较大的细胞质区域（粉红色区域），细胞核密集聚集形成腺体。
- 良性病变 ：由多个相邻的小细胞核簇组成。
- 原位癌 ：细胞核簇中的细胞核大小增加，核仁变得明显，但肿瘤似乎被局限在圆形簇中，同时失去了一些腺体外观。
- 浸润癌 ：增大的细胞核打破了簇状结构，以碎片形式扩散到附近区域。与原位癌图像相比，浸润癌图像的核密度高，核间排列无结构。

1.2 相关研究进展

近年来，卷积神经网络（CNN）在自然图像分类方面取得了成功，这启发了研究人员将其应用于医学图像分类，例如组织病理学图像分类。以下是一些相关研究：
- Spanhol 等人 ：使用基于 ImageNet 的 CNN 架构对良性和恶性肿瘤进行分类。他们从图像中提取 32×32 和 64×64 大小的补丁来训练 CNN，