3、基于卷积神经网络的乳腺癌检测与诊断

apple5

142人浏览 · 2025-09-08 13:59:48

apple5 · 2025-09-08 13:59:48 发布

基于卷积神经网络的乳腺癌检测与诊断

1. 引言

医学影像的研究和分类在识别各种身体疾病异常方面起着重要作用，如血癌、肺癌和脑肿瘤等。器官异常会导致肿瘤快速形成，这是全球主要的死因之一。乳腺癌通常在女性中被检测到，每年约有210万例感染病例报告，2018年估计死亡率约为62.7万。乳腺癌是由于乳腺细胞组织的不规则和不可抑制的扩散，形成大的组织肿块而导致的。乳腺组织有四种类型：正常、良性（表示轻微变异）、原位癌（乳腺内部感染，早期发现可治疗）和浸润性癌（癌症扩散到外部器官）。

早期检测和诊断癌症患者可以更有效地进行治疗，并降低死亡率。新开发的医学成像技术，如磁共振成像（MRI）、超声成像、乳腺钼靶摄影、计算机断层扫描（CT）、正电子发射断层扫描（PET）、热成像等，已成功应用于早期乳腺癌诊断。一些科学家已经开发了各种早期乳腺癌检测技术，以提高感染分类的性能。

2. 乳腺癌异常

乳腺癌是由细胞的快速和不平衡分裂引起的，导致形成肿块，并通过淋巴结扩散到外部器官。该疾病主要感染腺体、导管或其他乳腺组织。活检是确认癌症的有效方法，比自我分析、医生检查和其他方法更可靠。常见的乳腺癌初步诊断方法包括MRI、超声、乳腺钼靶摄影等。

乳腺异常可分为三种主要类型：
- 肿块：乳房中与正常组织不同的肿块、肿胀、结节或隆起称为肿块。根据大小、形状和密度，它可以是癌性或非癌性的。
- 微钙化 ：这种异常在乳腺钼靶摄影中表现为白色小点，是钙结合物在乳腺腺体内的聚集或扩散。
- 结构扭曲（AD） ：这种异常与可观察到的肿块无关，而是由于手术等原因，乳腺细胞组织部分出现圆形或分散的不规则模式。

3. 诊断

美国国家癌症研究所（NCI）预测，到2030年，美国乳腺癌感染比例将达到50%。《世界癌症报告》显示，乳腺癌的诊断率为22.9%，全球因癌症导致的死亡率为13.7%。乳腺癌是由于相邻细胞组织的变化，形成大的肿块并产生肿瘤。它通过淋巴和血液在乳房或其他器官中扩散后，可能是癌性或非癌性的。癌症可能起源于乳腺小叶，由于细胞组织中的脂肪或基因改变。

乳腺癌的症状包括大小和形状变化、可能无痛的实性肿块生长以及皮肤变化，如颜色、肿块、粗糙和乳头变化。也有一些患者没有症状也被诊断出患有乳腺癌。

以下是一些基于卷积神经网络（CNN）的乳腺癌检测技术及其结果：
| 作者 | 技术 | 数据库 | 准确率（%） | 灵敏度（%） | 特异性（%） | 精度（%） | F1分数（%） |
| — | — | — | — | — | — | — | — |
| Roslidar等（2019） | ResNet101和MobileNetV2、ShuffleNetV2 | DMR数据库 | 99.6、98 | - | - | - | - |
| Zuluaga - Gomez等（2019） | CNN - 基于CAD系统 | DMR - IR数据集 | 92 | 91 | - | 94 | 92 |
| Osman等（2020） | EBL - RBFNN | WBCD数据集 | 97 | - | - | - | - |
| Abdel - Zaher等（2016） | DNN - RFE | WBCD数据集 | 98.62 | - | - | - | - |
| Moon等（2020） | 3D CNN - 基于CADe | ABUS数据集 | - | 95.3 | - | - | - |
| Xu等（2019） | CNN | DOT乳腺数据集和光学断层图像 | 93.3 | 88 | 96 | - | - |
| Chiao等（2019） | CNN - 基于掩码区域方法 | 307例超声患者图像 | 85 | - | - | 75 | - |
| Yurttakal等（2019） | 多层CNN | 200例MRI图像 | 98.33 | 100 | 96.9 | 96.55 | - |

4. 治疗

乳腺癌在全球主要影响女性。乳腺癌的风险因素包括吸烟、饮酒、肥胖、不活动、遗传病史以及先前的治疗，如化疗和放疗。

一些新型抗病毒药物，如阿贝西利（CDK4/6抑制剂）、酪氨酸磷酸酶 - 1（SHP - 1）和SRC同源2（SH2）、抗体药物偶联物（ADC）和脂肪酸合酶（FASN），已被发现对治疗有效性和药物抗性有作用。帕妥珠单抗、T - DM1和拉帕替尼的开发显示出比曲妥珠单抗更好的疗效和更低的抗性。代表性的治疗方法包括紫杉烷类、环磷酰胺、蒽环类、FGFR、PARP（聚ADP - 核糖聚合酶）、FGFR和表皮生长因子受体（EGFR）等。

以下是不同癌症阶段的治疗方法列表：
| 作者 | 癌症阶段 | 治疗方法 |
| — | — | — |
| Motallebnezhad等（2016） | I, II | AVE 1642, 达洛珠单抗（MK - 0646） |
| Masoud等（2017） | II | 阿利塞替与紫杉醇 |
| Collignon等（2016） | I/II | 多柔比星加环磷酰胺、抗PDL1（MEDi4736）和纳米紫杉醇联合 |
| Aubele等（2017） | - | 他莫昔芬 |
| Martel等（2017） | II | 曲妥珠单抗 + 帕妥珠单抗 |

5. 预防策略

早期乳腺癌检测和诊断是降低死亡率和提高预测准确性的预防策略。乳腺癌的预防策略包括避免额外的电离辐射、保持体重、避免吸烟、减少饮酒、母乳喂养和锻炼等。烟草消费是癌症发生和死亡的主要原因。雷洛昔芬和他莫昔芬是两种FDA批准的选择性雌激素受体调节剂（SERMs），用于预防女性乳腺癌。

根据世界癌症研究基金会（WCRF）和美国癌症研究协会（AICR）的报告，预防策略包括保持足够的体重、积极活动、减少高能量密度食物的摄入、多吃蔬菜、限制肉类、盐和酒精饮料的摄入。

6. 预处理技术

乳腺癌图像诊断为癌性或非癌性包括多个步骤，如图像增强、分割、特征提取和分类。

6.1 图像增强

图像增强是改善不同乳腺癌图像对比度和减少噪声的过程，有助于医生检测异常。主要用于消除标签、患者姓名或其他干扰数据，并增强对比度。常用的图像增强方法包括同态滤波器用于减少噪声和改善光照、拉普拉斯高斯滤波器、非锐化掩模、高提升滤波器等。

6.2 分割

分割是将图像分割成具有特征的部分，以便进行分析。由于噪声、对比度变化和图像模糊效应，分割过程可能会变得单调。常用的图像分割技术包括偏微分方程（PDE）、模糊理论、边缘检测、人工神经网络（ANN）、模糊C均值聚类（FCM）、Otsu全局阈值法、高斯核FCM、高斯混合模型、阈值和基于区域的分割等。

6.3 特征提取

特征提取是从图像中诊断疾病的主要步骤。它是通过一些常见技术，如角二阶矩（ASM）、分形维数（FD）、熵、尺度不变特征变换（SIFT）、局部二值模式（LBP）、中心对称LBP（CS - LBP）、灰度共生矩阵（GLCM）特征等，从各种类型的图像中提取局部、纹理和统计特征的过程。

6.4 分类

图像分类是基于标签对图像进行分类的过程。许多分类技术已被开发和评估，用于各种类型的医学图像。机器学习（ML）和人工智能（AI）技术，如集成学习和一些基于CNN的模型（AlexNet、ResNet等），已被广泛应用于乳腺癌图像分类。

7. 数据集

8. CNN技术

乳腺癌患者的图像诊断对医生来说通常很复杂，因为医生数量不足和诊断过程中容易出错。一些研究旨在创建能够自动诊断医学图像的模型。CNN在性能和图像分类方面比其他网络和模型表现更好。它是通过减少输入数据规模来形成特征向量的特征提取过程。

一个深度CNN通常分为基本输入层、卷积层、全连接（FC）层和输出层（softmax）。卷积层和FC层分别用于外观和基于像素的特征。在这个过程中还会使用归一化和池化层等。CNN用于自动检测、预测和有效性等特征，在乳腺癌筛查中表现出色。许多模型基于可适应的CNN，如AlexNet、VGG（视觉几何组）、ResNet、DenseNet、Inception等，适用于乳腺超声（BUS）、MRI、胸部X光等图像类型。

CNN架构流程

graph LR
    A[输入层] --> B[卷积层]
    B --> C[归一化层]
    C --> D[池化层]
    D --> E[卷积层]
    E --> F[归一化层]
    F --> G[池化层]
    G --> H[全连接层]
    H --> I[输出层（softmax）]

9. 分析与发现

以下是一些基于CNN的乳腺癌分析系统及其结果：
- DNN ：Charan等（2018）提出的DNN，通过评估乳腺钼靶MIAS数据集检测乳腺癌，使用随机梯度下降动量（SGDM）进行训练，平均准确率为65%。
- 新型CAD系统 ：通过评估多个乳腺钼靶数据集（如DDSM和CBIS - DDSM）对乳腺肿块癌进行分类。DDSM数据集的实验结果显示，准确率、灵敏度、特异性、精度、F1分数和AUC分别为80.5%、77.4%、84.2%、86%、81.5%和88%。CBIS - DDSM数据集在DCNN + SVM的情况下，准确率为73.6%，AUC为94%，灵敏度为86.2%，特异性为87.7%，精度为88%，F1分数为87.1%。
- 基于无监督极限学习机（US - ELM）的CAD系统 ：通过ELM分类器对乳腺肿块进行分类，能够准确有效地检测和分类乳腺肿块。
- 基于混合集成CNN（ME - CNN）的系统 ：用于基于动态对比增强MRI（DCE - MRI）乳腺图像的乳腺癌分类，准确率为96.39%，灵敏度为97.73%，特异性为94.87%。
- 基于深度学习（DL）算法的系统 ：通过评估WBCD数据集的11个特征诊断乳腺癌，准确率为99.67%。
- 基于CNN的算法 ：结合增强贝叶斯算法，通过评估140例患者的乳腺热图像数据集，提取和分类多个特征为正常或感染，准确率为98.95%。
- 基于CNN的技术 ：用于对苏木精和伊红（H&E）染色的乳腺活检图像进行分类，四类的准确率为77.8%，癌/非癌的准确率为83.3%，灵敏度为95.6%。
- 基于微调迁移学习的方法 ：通过评估2120例图像对细胞样本进行诊断，增强的GoogLeNet - V3的准确率为96.25%。
- 基于迁移学习的方法 ：如InceptionV3、ResNet50和Xception，CNN3模型和传统ML技术，通过BUS图像区分癌性/非癌性。深度特征分类技术提取迁移学习特征，准确率为89.44%，AUC为0.93%。InceptionV3的准确率为85.13%，AUC为0.91%。
- 基于CNN的CAD系统 ：对不同乳腺癌数据集的乳腺钼靶图像进行分类，DDSM数据集的准确率为97.35%，AUC为0.98%；INbreast数据库的准确率为95.50%，AUC为0.97%；BCDR数据集的准确率为96.67%，AUC为0.96%。经过预处理后创建的大型数据集，准确率为98.94%。
- 更快的R - CNN CAD系统 ：用于从乳腺钼靶图像中检测和分类癌症，INbreast和数字乳腺钼靶DREAM挑战数据的AUC分别为0.95%和0.85%，INbreast数据库的假阳性率（FP）为0.3。
- 基于YOLO的CAD技术 ：基于CNN（ROI - 基于），用于乳腺钼靶图像的检测和分类，检测和预测乳腺癌的准确率分别为96.33%和85.52%。

10. 结论与未来挑战

乳腺癌表现出多种症状，如疼痛、大小和形状变化、乳头变化等。体细胞的基因异常被认为是癌症的标志。由于年龄、人口增长、感染意识、健康和家族病史、辐射暴露等因素，乳腺癌的死亡率预计会上升。

本研究旨在基于CNN技术分析乳腺癌，首先提供了乳腺癌的全面概述，包括异常、诊断、治疗和预防策略、图像处理和CNN技术。根据已发表的证据进行了关键分析。

未来的挑战包括开发能够对大数据变化进行分类，同时保持性能不变的技术。基于CAD系统的技术分析显示出一些局限性，如数据集规模较小和比较不足，需要改进。CAD模型，如胸部CT、乳腺钼靶等，可以帮助医生在诊断乳腺癌时更准确，减少视力不足、疲劳和干扰的影响。医生和肿瘤学家旨在通过实际实践的变化进行转化研究，开发新的药物以提高乳腺癌的治疗效果。乳腺癌的未来挑战包括累积毒性、肿瘤组织活检、液体活检、大数据分析和转化生物标志物等。

11. 不同技术的对比分析

为了更清晰地了解各种基于CNN的乳腺癌检测和诊断技术的性能，我们对上述提到的部分技术进行对比分析，如下表所示：
| 技术 | 数据库 | 准确率（%） | 灵敏度（%） | 特异性（%） | 精度（%） | F1分数（%） | AUC（%） |
| — | — | — | — | — | — | — | — |
| DNN（Charan等，2018） | 乳腺钼靶MIAS数据集 | 65 | - | - | - | - | - |
| 新型CAD系统（DDSM） | DDSM | 80.5 | 77.4 | 84.2 | 86 | 81.5 | 88 |
| 新型CAD系统（CBIS - DDSM，DCNN + SVM） | CBIS - DDSM | 73.6 | 86.2 | 87.7 | 88 | 87.1 | 94 |
| ME - CNN | DCE - MRI乳腺图像 | 96.39 | 97.73 | 94.87 | - | - | - |
| 基于DL算法的系统 | WBCD数据集 | 99.67 | - | - | - | - | - |
| 基于CNN的算法 | 140例患者乳腺热图像数据集 | 98.95 | - | - | - | - | - |
| 基于CNN的技术（H&E染色活检图像） | - | 77.8（四类）、83.3（癌/非癌） | 95.6 | - | - | - | - |
| 微调迁移学习（增强GoogLeNet - V3） | 2120例图像 | 96.25 | - | - | - | - | - |
| 迁移学习（深度特征分类技术） | BUS图像 | 89.44 | - | - | - | - | 93 |
| 迁移学习（InceptionV3） | BUS图像 | 85.13 | - | - | - | - | 91 |
| 基于CNN的CAD系统（DDSM） | DDSM | 97.35 | - | - | - | - | 98 |
| 基于CNN的CAD系统（INbreast） | INbreast数据库 | 95.50 | - | - | - | - | 97 |
| 基于CNN的CAD系统（BCDR） | BCDR数据集 | 96.67 | - | - | - | - | 96 |
| 更快的R - CNN CAD系统（INbreast） | INbreast | - | - | - | - | - | 95 |
| 更快的R - CNN CAD系统（数字乳腺钼靶DREAM挑战数据） | 数字乳腺钼靶DREAM挑战数据 | - | - | - | - | - | 85 |
| 基于YOLO的CAD技术（检测） | - | 96.33 | - | - | - | - | - |
| 基于YOLO的CAD技术（预测） | - | 85.52 | - | - | - | - | - |

从这个对比表格中可以看出，不同技术在不同数据库上的表现差异较大。一些技术在特定数据库上能够取得较高的准确率、灵敏度、特异性等指标，但在其他数据库上可能效果不佳。例如，基于DL算法的系统在WBCD数据集上准确率高达99.67%，但该技术可能对该数据集有较强的针对性，在其他数据集上的泛化能力有待进一步验证。

12. 影响技术性能的因素分析

影响基于CNN的乳腺癌检测和诊断技术性能的因素有很多，主要包括以下几个方面：
- 数据集因素
- 数据规模 ：数据量的大小对模型的训练效果有重要影响。一般来说，数据量越大，模型能够学习到的特征就越丰富，泛化能力也就越强。例如，在一些研究中，经过预处理后创建的大型数据集能够使基于CNN的CAD系统取得更高的准确率。
- 数据质量 ：数据的质量包括图像的清晰度、标注的准确性等。如果图像存在噪声、模糊等问题，或者标注存在错误，都会影响模型的训练和诊断结果。
- 数据多样性 ：数据的多样性包括不同类型的乳腺癌图像（如肿块、微钙化、结构扭曲等）、不同患者的特征等。丰富的数据多样性能够使模型更好地适应各种情况，提高诊断的准确性。
- 模型因素
- 模型架构 ：不同的CNN模型架构具有不同的特点和性能。例如，ResNet通过引入残差块解决了深度网络训练中的梯度消失问题，能够训练更深的网络；DenseNet通过密集连接的方式增强了特征的传播和复用，提高了模型的性能。
- 超参数设置 ：超参数如学习率、批量大小、迭代次数等的设置对模型的训练效果有重要影响。不合适的超参数设置可能导致模型过拟合或欠拟合。
- 预处理因素
- 图像增强 ：合适的图像增强方法能够提高图像的对比度、减少噪声，有助于模型更好地识别图像中的特征。例如，同态滤波器、拉普拉斯高斯滤波器等可以改善图像的质量。
- 分割和特征提取 ：准确的分割和有效的特征提取能够为模型提供更有价值的信息。不同的分割和特征提取方法对模型的性能也会产生影响。

13. 未来技术发展方向

基于目前的研究现状和面临的挑战，未来基于CNN的乳腺癌检测和诊断技术可能朝着以下几个方向发展：
- 大数据融合与分析 ：整合更多不同来源、不同类型的数据集，包括临床数据、基因数据等，进行大数据融合与分析。通过挖掘更多的数据信息，提高模型的诊断准确性和预测能力。
- 模型优化与创新 ：不断优化现有的CNN模型架构，或者开发新的模型架构。例如，结合注意力机制、生成对抗网络等技术，提高模型对图像特征的捕捉能力和对复杂情况的处理能力。
- 多模态融合 ：将多种医学成像模态（如乳腺超声、MRI、乳腺钼靶等）的数据进行融合，综合利用不同模态数据的优势，提高诊断的准确性。例如，乳腺超声能够清晰显示乳腺组织的结构，MRI能够提供更详细的软组织信息，将两者的数据融合可以更全面地了解乳腺癌的情况。
- 可解释性研究 ：目前，很多基于CNN的模型是黑盒模型，其决策过程难以解释。未来需要加强对模型可解释性的研究，使医生能够理解模型的诊断依据，提高医生对模型的信任度。

14. 实际应用中的考虑

在将基于CNN的乳腺癌检测和诊断技术应用到实际临床中时，还需要考虑以下几个方面：
- 与临床流程的结合 ：要确保技术能够与现有的临床诊断流程相融合，不会增加医生的额外负担。例如，开发便捷的用户界面，使医生能够方便地使用该技术进行诊断。
- 可靠性和安全性 ：技术的可靠性和安全性是至关重要的。需要进行大量的临床试验和验证，确保技术的诊断结果准确可靠，不会对患者造成伤害。
- 成本效益 ：考虑技术的成本效益，包括设备成本、软件成本、维护成本等。要确保技术在提高诊断准确性的同时，不会给医疗系统带来过高的成本负担。

15. 总结

基于CNN的乳腺癌检测和诊断技术在近年来取得了显著的进展。通过对乳腺癌的异常、诊断、治疗、预防策略等方面的研究，以及对多种数据集和CNN技术的应用，已经能够在一定程度上提高乳腺癌的检测和诊断准确性。然而，目前的技术仍然面临着一些挑战，如数据集规模较小、模型可解释性差等。未来，需要进一步加强大数据融合与分析、模型优化与创新、多模态融合等方面的研究，同时考虑技术在实际应用中的可靠性、安全性和成本效益等问题，以推动基于CNN的乳腺癌检测和诊断技术在临床中的广泛应用，为乳腺癌患者提供更准确、更有效的诊断和治疗方案。

技术发展趋势流程

graph LR
    A[大数据融合与分析] --> B[模型优化与创新]
    A --> C[多模态融合]
    A --> D[可解释性研究]
    B --> E[实际应用]
    C --> E
    D --> E

这个流程图展示了未来基于CNN的乳腺癌检测和诊断技术的发展趋势，从大数据融合与分析、模型优化与创新、多模态融合、可解释性研究等方面出发，最终目标是实现技术在实际临床中的应用。

天工造物局

北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台

更多推荐

Handy 离线语音转写教程：免费开源，本地跑不连网

你肯定遇到过：语音输入 5 分钟，云转写服务要登录、要付费；或者出差没网，想口述一段会议纪要，发现全都没法用。Handy 离线语音转写工具就是为解决这个问题做的，声音全程不出你的电脑。## 🎯 这个工具是什么Handy 是一款免费、开源、跨平台（Windows / macOS / Linux）的离线语音转写应用。按住快捷键说话，松手后文字直接粘贴进任意输入框，全程不联网。核心能力就三条：

天工造物局

Supabase Edge Functions 编写与部署完整指南：Deno 运行时上的无服务器利器

Supabase Edge Functions 是基于 Deno 运行时编写、面向 Web 的无服务器函数服务，帮你把后端逻辑部署到全球边缘节点。作为 Postgres 开发平台的核心能力之一，它让你用 TypeScript 就能快速搭建低延迟的 API 端点、Webhook 接收器和 AI 集成服务，无需管理任何服务器。本文将从零带你完成一个 Edge Function 的创建、本地调试与全球部

天工造物局

celld从v0.1.0到v0.2.0为何不能滚动升级：两个破坏性变更详解

celld 是一个自托管、分布式的 Durable Objects 开源守护进程，它在你自己的机器上运行 Cloudflare Workers，每个对象对应一个独立的 SQLite 数据库，并持续复制到你自己拥有的 S3 兼容存储桶中。如果你正准备把 v0.1.0 的集群（fleet）升级到 v0.2.0，这篇文章必须先读：这次升级**不能滚动升级**，必须采用"先停光、再启动"的一次性发布方式。