基于改进LeNet和深度卷积神经网络的乳腺钼靶图像特征驱动癌症分类方法F-BCC-ML

来自全球的研究人员针对乳腺钼靶图像手工特征提取耗时且精度受限的问题，开发了融合改进损失函数与激活函数的LeNet(MLAL)模型F-BCC-ML。通过改进双边滤波(IBFT)降噪、SegNet语义分割，结合韦伯局部描述符(WLD-LGXP)纹理特征与深度特征，最终采用MLAL+DCNN实现癌症分类，准确率达0.936，为乳腺癌无创诊断提供新范式。

　　

深度学习技术的迅猛发展为医学影像分析注入了新活力。在乳腺癌(BC)诊断领域，研究者们构建了名为F-BCC-ML的创新性分类系统，其核心是改良版LeNet架构——通过调整损失函数与激活函数(MLAL)提升性能。该技术路线包含四大关键环节：首先采用改进双边滤波技术(IBFT)对钼靶图像进行预处理，在抑制噪声的同时完美保留边缘等关键解剖结构；随后运用专攻语义分割的深度学习模型SegNet精准划定感兴趣区域。

特征提取阶段可谓"多模态特征盛宴"：既有融合韦伯局部描述符与局部Gabor异或模式(WLD-LGXP)的纹理分析方案，又包含中值二值模式(MBP)和色彩特征，更整合了深度卷积神经网络(DCNN)提取的深层特征。最终这些特征被输送到"双保险"分类器——MLAL与DCNN协同工作，准确判别乳腺组织的良恶性。实验数据显示，该系统的分类准确率高达0.936，精确度0.947，F值0.942，显著超越了传统需要人工设计特征的方法。这项研究为放射科医生提供了可靠的计算机辅助诊断工具，让乳腺癌筛查既免于穿刺痛苦，又具备媲美专家的判断力。