基于Xception卷积深度Maxout网络的乳腺癌分类改进方法：利用组织病理学图像

《Microscopy Research and Technique》：Xception Convolutional Deep Maxout Network for Enhanced Breast Cancer Classification Using Histopathological Images

乳腺癌分类依赖深度学习模型，Xcov-DMN结合Mean-Shift滤波、WBC-Net细胞分割及多特征提取，在90%数据下实现92.755%准确率。

　　

摘要

在全球范围内，乳腺癌是主要的癌症类型，每年有数百万女性受到影响。乳腺癌治疗的成功在很大程度上依赖于早期发现和精确的肿瘤分类。随着医学成像技术（如组织病理成像）的发展，乳腺癌的分类在深度学习（DL）和医学研究中变得越来越重要。许多现有的深度学习方法存在过拟合问题，并且在从高分辨率图像中有效提取关键特征方面存在困难，尤其是当图像具有细微变化时。因此，开发了Xception卷积深度Maxout网络（Xcov-DMN）来对乳腺癌进行分类。在初始阶段，对输入的组织病理图像应用均值漂移滤波器（Mean-Shift Filter）。随后，使用白细胞网络（WBC-Net）结合平衡交叉熵（BCE）和焦点损失（Focal Loss）来进行血细胞分割，以确保分割的准确性。接下来，提取彩色直方图（Colored Histograms）、形状特征（Shape Features）、Haralick纹理特征（Haralick Texture Features）和完整局部二值模式（CLBP）特征。最后，利用开发的Xcov-DMN对乳腺癌进行分类。Xcov-DMN结合了深度Maxout网络（DMN）、分数阶微积分（Fractional Calculus, FC）和Xception卷积神经网络（XCovNet）。在训练数据量达到90%的情况下，Xcov-DMN取得了92.755%的最高准确率、91.977%的真阴性率（True Negative Rate, TNR）和94.765%的真阳性率（True Positive Rate, TPR）。