基于改进U-Net分割与自监督学习的乳腺癌全幻灯片图像检测方法研究及其临床意义

本研究针对乳腺癌早期诊断中人工分析成本高、误差率大的问题，提出了一种创新解决方案。来自未知机构的研究人员通过结合改进U-Net架构与自监督学习技术（ISSL），开发出基于WSI的乳腺癌检测系统。该方法采用高斯滤波预处理、多尺度注意力机制分割，并融合BoW、LGIP和PHOG特征提取，最终实现0.924准确率和0.943阴性预测值，显著提升乳腺癌诊断的可靠性与临床适用性。

　　

乳腺癌（Breast Cancer, BC）作为女性第二大致死原因及最高发恶性肿瘤，其早期检测对降低治疗成本和提升生存率至关重要。当前依赖放射科与病理学家人工分析的方式不仅成本高昂且存在误判风险。为此，研究者开发了一种整合改进型U-Net架构与自监督学习（Self-Supervised Learning, SSL）的创新方法，专门针对全幻灯片图像（Whole Slide Image, WSI）进行乳腺癌检测。

该方法采用多阶段处理流程：首先通过高斯滤波（Gaussian Filtering）进行图像预处理以消除噪声；随后利用改进U-Net进行精确肿瘤分割，该模型融合多尺度处理与注意力机制以增强边界识别能力；特征提取阶段采用视觉词袋（Bag of Visual Words, BoW）、改进局部梯度与强度模式（Improved Local Gradient and Intensity Pattern, LGIP）以及金字塔方向梯度直方图（Pyramidal Histogram of Oriented Gradients, PHOG）等多维度技术捕捉图像特征；最后通过改进自监督学习（Improved Self-Supervised Learning, ISSL）算法进行分类，该算法通过新型损失函数与改进多实例池化（Improved Multiple Instance Pooling, IMIP）机制优化特征表征。

实验结果表明，该方法在准确率（0.924）、敏感性（0.886）和阴性预测值（Negative Predictive Value, NPV）（0.943）等指标上表现卓越，显著提升了肿瘤边界清晰度与分类准确性，为临床乳腺癌诊断提供了更可靠、高效的技术支持。