基于深度稀疏小波自编码器的乳腺癌图像分类方法创新研究

本文推荐研究人员针对乳腺癌(BC)二维图像分类精度不足的问题，创新性提出深度稀疏小波自编码器(DSWAE)模型。该研究融合小波网络(WN)、深度学习(DL)与稀疏编码(SC)技术，在BreakHis数据集上实现良性病例94.5%精确率、恶性病例96.2%召回率的突破性成果，为乳腺癌早期诊断提供高效计算工具。

　　

乳腺癌作为全球女性健康的首要威胁，传统诊断依赖医生对二维乳腺X线影像的主观判读，存在效率低、误诊率高等痛点。尽管深度学习(DL)技术已显著提升医学图像分析水平，但现有模型在特征提取效率和计算成本控制方面仍存在瓶颈。Princess Nourah Bint Abdulrahman University与National Engineering School of Gabes的研究团队在《Scientific Reports》发表的研究，通过融合小波分析和深度学习的优势，开发出深度稀疏小波自编码器(DSWAE)，为乳腺癌自动分类提供了创新解决方案。

研究采用三项核心技术：首先基于BreakHis数据集（含7,909张组织病理图像）构建全局小波网络(GWN)，通过最佳贡献算法筛选特征小波；其次开发稀疏小波自编码器(SWAE)实施k稀疏编码压缩特征维度；最终堆叠多个SWAE形成DSWAE架构。实验采用256×256像素图像输入，通过100轮训练优化23层网络参数。

材料与方法
研究选用标注完善的BreakHis数据集，按2:1:1比例划分训练/验证/测试集。通过小波评分系统构建类别特异性GWN，采用峰值信噪比(PSNR)评估图像建模质量。稀疏编码阶段保留k个最大激活值实现特征降维。

实验结果
DSWAE展现出卓越分类性能：良性病例精确率94.5%（召回率93.65%），恶性病例召回率96.2%（精确率93.8%），正常病例实现双100%指标。相比传统CNN模型（Bayramoglu等82.69%准确率），本方法将全局准确率提升至95.8%。

讨论与结论
该研究的核心突破在于：1）通过小波多分辨率分析捕获肿瘤纹理特征；2）稀疏编码减少85%参数量的同时保持特征判别力；3）端到端架构实现94.5%临床可用精度。临床价值体现在：为资源有限地区提供轻量级诊断工具（仅需32GB显存），其100%正常病例识别率可有效避免过度医疗。未来研究可探索联邦学习扩展多中心数据应用，这将进一步推动AI辅助乳腺癌诊断的临床转化。

（注：研究机构名称按国际惯例保留英文原名，因第一作者单位Princess Nourah Bint Abdulrahman University为沙特阿拉伯机构；技术术语如DSWAE、GWN等均在首次出现时标注全称；数据集BreakHis等专业名称保留原文大小写格式）