一种基于自适应DeepLabv3+分割与注意力机制多尺度EfficientNetB7分类的乳腺癌诊断集成框架

《Biomedical Signal Processing and Control》：An integrated framework for breast cancer diagnosis using adaptive DeepLabv3+ for segmentation and attention-based multiscale EfficientNetB7 for classification

　　

摘要乳腺癌是全球女性面临的主要健康隐患。本研究提出了一种先进的深度学习机制，用于识别乳腺癌。所提出的模型首先对图像集合进行处理，从在线来源收集重要的断层扫描图像。随后，原始图像在自适应Deeplabv3+（ADV3+）的辅助下进行分割处理，以准确检测细微的肿瘤区域。最后，所得到的分割图像被用作分类的输入，分类由带有Talking-Heads注意力机制的优化多尺度EfficientNetB7（OMEB7-THA）完成。该模型通过Talking-Heads注意力和多尺度特征进行改进，使其能够聚焦于不同图像分辨率下的重要模式和纹理。为了实现最佳性能，DV3+和OMEB7-THA中的主要超参数均通过修改的Hunting阶段褶边蜥蜴优化（HMFLO）算法进行了适当调整。通过将精细分割与智能分类相结合，该系统旨在支持更快速、更可靠的乳腺癌检测。最后，通过利用不同的评估指标并与其他基线机制进行对比，检验了该方法的有效性。因此，实验验证表明，所设计的框架能够提供准确的乳腺癌检测结果。

引言乳腺癌已成为全球女性面临的严重健康问题。其及时识别至关重要，因为这可以显著提高长期存活率和成功治疗的可能性[1]。多年来，医学影像在识别乳腺组织的异常变化方面发挥了主要作用，支持医生在症状出现之前就分析出癌症迹象[2]。断层扫描是一种强大的成像机制，在及时识别乳腺癌方面发挥着重要作用。它提供乳腺组织的横截面详细视图，支持医学专家以高清晰度识别异常。随着成像技术的快速进步，断层扫描正变得高度可靠和精确，支持更自信、更快速的诊断，从而带来更好的治疗方案[3]。为了提高该任务的效率和可靠性，医学专家转向了深度学习，它在从海量数据集中识别模式方面表现卓越[4]。通过基于医学图像训练深度学习模型，专家致力于支持临床医生准确快速地识别乳腺癌，减少人为错误，提高诊断信心[5]。这一技术变革标志着向数据驱动、更智能的医疗设备迈出了一步有效步伐。

多年来，一些成像方法被设计用于辅助识别乳腺癌，包括磁共振成像、超声和乳腺X光摄影。每种技术都对医学诊断做出了重大贡献，但这些技术也存在影响癌症识别可靠性和准确性的特定问题[6]。最广泛使用的筛查工具是乳腺X光摄影，它可以拍摄乳腺的二维X射线图像。虽然它对多种情况有效，但在致密组织中识别肿瘤时常遇到困难。在某些情况下，重叠结构会隐藏微小的异常，使放射科医生难以识别早期癌症症状[7]。另一方面，超声通常用于评估乳腺X光摄影中发现的可疑区域。它提供实时成像，在区分充满液体的囊肿和固体肿块方面表现更好。但超声图像可能因操作人员技术水平的不同而有所差异，且不一定始终提供一致的结果[8]。磁共振成像提供高度详细的图像，对高危患者有帮助，但耗时较多且费用较高，通常不用于持续筛查。这些传统成像方法的一个主要问题是它们展示乳腺组织内部层次结构的能力有限[9]。由于它们生成高度二维、扁平的图像，小型肿瘤或细微变化可能会被忽略，尤其是当它们隐藏在乳腺致密组织后面时。正是在这种情况下，地形成像方法被采用。3D MRI和数字乳腺断层扫描等方法，能够生成乳腺的逐层视图，使医生能够单独验证每一层[10]。这种分层机制减少了组织重叠的问题，提高了早期识别异常的可能性。因此，虽然现有成像方法在乳腺癌检测中发挥了关键作用，但它们在图像清晰度、深度感知和一致性方面的问题使它们在特定情况下效果不佳[11]。地形成像通过提供乳腺解剖结构的高度详细和全面视图解决了这些问题中的大多数，使其成为结合深度学习等先进方法进行癌症诊断的最佳选择。

尽管深度学习在乳腺癌识别中取得了令人鼓舞的成果，但仍有一些技术复杂性限制了其整体潜力。大多数深度学习模型，如卷积神经网络（CNN），高度依赖于大量标注数据来理解相关模式[12]。在医学影像中，尤其是乳腺癌方面，收集和标注高质量断层扫描图像是一个昂贵且耗时的过程[13]。此外，数据通常存在类别不平衡问题，使模型难以准确理解和识别罕见异常[14]。另一个问题是患者解剖结构和图像质量的变化，这可能影响模型预测的一致性[15]。深度学习模型还倾向于表现得像黑箱。低可解释性在医学领域可能是一个主要问题，因为医学专家需要在做出决定之前信任并理解模型的推理过程[16]。此外，在一个成像设备或医院的数据上训练的模型可能在另一个设备或医院的数据上效果不佳，这是由于扫描设备或协议的差异[17]。这些缺陷凸显了对高度透明、鲁棒且可泛化的深度学习模型的需求，这些模型能够在不同的临床环境中有效运行。

从断层扫描图像中基线乳腺癌检测面临一些重大挑战，具体如下。现有工作[18]容易遗漏更细微和不规则的肿瘤边界，这对准确描绘至关重要，而多种空间尺度上存在的判别性模式主要影响特征提取过程。传统的基于EfficientNetB7的模型[19]独立执行分割或分类，可能导致重要病变信息丢失和诊断可靠性降低。此外，基线卷积模型[20]在展示临床相关区域方面存在困难，从而产生可扩展性问题。传统的DeepLabv3+模型[21]在处理出现在不同空间尺度的复杂模式时存在困难。此外，它们不具备提取影响最佳特征表示的重要特征的能力。为缓解这些问题，所开发的框架将自适应DeepLabv3+、EfficientNetB7、THA和HMFLO整合到一个统一的检测流程中。因此，本任务最重要的动机是提出一种端到端框架，更好地解决精确病变定位、提取重要多尺度特征、选择更好的特征注意力模型以及高效的超参数优化问题，从而扩展从断层扫描图像中检测乳腺癌的准确性和可信度。

本方法的主要创新之处在于自适应分割、超参数优化和注意力引导的多尺度分类之间的协同结合。基线方法将分割和分类作为独立过程执行，而所开发的方法将HMFLO优化的ADV3+分割模型与HMFLO调优的OMEB7-THA分类器相结合，以增强对乳腺断层扫描图像中细微肿瘤特征的识别。此外，本工作的另一创新部分是在多尺度EfficientNetB7结构内集成Talking-Heads注意力机制，这提高了跨多种分辨率的特征区分能力。这种统一优化方案增强了方法的鲁棒性和有效性。因此，这些模块的组合使得精确病变分割与注意力引导的多尺度分类之间能够高效通信，与现有基线方法相比提供了更好的诊断性能。

在本研究工作中，基于每个模块的先进特性，集成了自适应DeepLabv3+、EfficientNetB7、THA和修改后的FLO算法等多种模块，并高效解决了乳腺癌图像分析中的特定局限性。大多数现有分割方法[22]未能实现肿瘤区域的精确定位，这使得可靠诊断变得困难。此外，这些方法在处理异质性病变结构和细微肿瘤边界方面存在困难。为解决这些问题，开发了自适应DeepLabv3+，采用多尺度上下文信息和自适应空洞卷积支持语义分割，从而实现肿瘤区域的高效提取。之后，选择了传统的EfficientNetB7模型用于分类阶段，可从复杂的医学图像中提取高效特征。此外，EfficientNetB7具有复合缩放方案，能够完美平衡网络深度与宽度之间的权衡，并且有能力以更好的计算复杂度获得高特征表示。但它在提取不同空间尺度的重要特征方面存在不足。为缓解这一问题，多尺度特征学习被集成到EfficientNetB7模型中，以提取与乳腺肿瘤相关的局部纹理信息和全局结构模式。此外，医学图像通常包含影响分类性能的无关背景信息。因此，将THA集成到EfficientNetB7中以改进注意力头之间的特征交互，并增强模型主要聚焦于重要区域的能力。这种方法利用了特征区分能力，允许更高效地学习细微的病理特征。最后，现有深度学习模型的有效性主要依赖于适当的超参数设置。在传统工作中，调优过程耗时较多，这可能影响框架的有效性。为解决这一问题，本任务推荐使用HMFLO算法来调优DeepLabv3+、EfficientNetB7和THA的变量。

所介绍的乳腺癌诊断机制如下：
• 设计一种新型乳腺癌检测机制，通过结合有前景的深度学习策略来提高检测过程的可靠性。该框架利用分割识别关键区域，利用分类区分良性和恶性肿瘤，增强及时诊断并减少误诊担忧。因此，该框架实现了更高的分割精度、动态成像条件下的鲁棒肿瘤检测和更好的泛化能力。
• 通过提升基线FLO来实施HMFLO用于超参数优化。该算法通过自适应搜索过程优化DV3+和OMEB7-THA的超参数来提高其性能。设计的HMFLO创新性地探索超参数空间，为分类和分割技术探索最佳配置。通过改进现有FLO，该算法实现了快速收敛和提高效率，从而在不发生过度拟合的情况下获得优化性能，确保技术在诊断任务中发挥最佳表现。
• 通过改进DeepLabv3+技术呈现ADV3+以实现精确分割。这种改进的分割方法能够识别现有方法可能遗漏的细微肿瘤区域。通过采用带有自适应策略改进的空洞空间金字塔池化（ASPP），设计的ADV3+提高了具有动态肿瘤大小图像的分割精度。此外，在此利用HMFLO优化DeepLabv3+模型的超参数以增强可扩展性。因此，ADV3+在分离肿瘤区域方面实现了高精度，具备处理动态图像分辨率的能力，并最小化假阳性，确保只有相关区域被突出显示用于诊断。
• 通过结合EB7、THA和多尺度操作来引入OMEB7-THA以改进乳腺癌的分类过程。设计的模型通过包含多尺度操作在不同尺度上获取特征，确保有效的特征优化。通过结合THA，设计的OMEB7-THA提高了模型聚焦于对精确分类至关重要的细微、小型特征的能力。此外，HMFLO的纳入改善了EB7模型的参数调优。因此，OMEB7-THA的最终层能够精确分类乳腺癌。

其余研究工作描述如下。基线乳腺癌诊断在第2节中展示。第3节描述了所提出方法的整个工作流程。第4节讨论了有效的ADV3+用于异常分割。第5节描述了OMEB7-THA方法的实施。第6节展示了机制的验证。第7节对建议框架的结果进行了可视化，并对开发的工作进行了总结。

片段相关工作在2025年，Qasrawi等人[23]提出了一种混合方法，将超声图像改进模型与改进的机器学习相结合，以实现高度准确和快速的乳腺癌诊断。

该框架在训练和验证过程中采用了交叉验证机制。该方法实现了较高的Dice相似系数，同时也提高了病灶识别能力。

2025年，Shim等人[18]实施了一种优化的InceptionResNetv2技术，该技术通过纳入乳腺癌诊断进行了改进：新颖的概念乳腺癌已成为癌症相关死亡的主要病因，因此及时且精确的识别对于改善患者预后具有重要意义。卷积类方法，如活检和乳腺X线摄影，虽然有效，但主要受到图像质量变化、人为误差以及致密乳腺组织中假阳性率高等问题的影响。尽管深度学习机制已展示了自动化检测乳腺癌的能力，但复杂性仍然存在。

提出的HMFLO优化方案目的：本研究工作的新颖改进之一是HMFLO。HMFLO旨在改善高维、复杂且非线性问题空间中的优化任务，例如深度学习方法中的超参数优化。HMFLO的主要贡献在于调整ADV3+和OMEB7-THA的变量，以改善分割和诊断过程的性能。此外，所设计的HMFLO通过优化其搜索能力来增强全局搜索能力。

现有的EfficientNet B7EfficientNet B7[19]技术是一种更深的网络结构，包含19个Mobile Inverted Bottleneck Convolution（MBConv）模块，用于从图像中捕获复杂和详细的特征。这种深度提高了该方法的特征提取能力，也更好地区分和理解不同的模式。EfficientNet B7在每个MBConv模块中采用了2400个通道，这意味着该技术能够处理大规模图像数据并检索更多信息。

实验设置所实施的乳腺癌诊断机制是使用Python开发的。所设计的HMFLO在分割任务中采用了3个染色体长度，在分类任务中采用了4个染色体长度。对于两项任务，HMFLO均设置了50次最大迭代次数和10个种群。常规算法如Carpet Weaver Optimization（CWO）[38]、Three on Three Optimizer（TOT）[39]、Wombat Optimization Algorithm（WOA）[40]和FLO[33]，分割方法如HAA-DSUNet[24]，

结论本研究推荐了一种新颖的乳腺癌诊断框架。该工作首先从在线资源获取断层扫描图像。随后，将这些断层扫描图像输入ADV3+机制进行分割，其中使用HMFLO来调整模型参数。之后，将分割后的图像提供给OMEB7-THA机制进行乳腺癌分类。在此阶段，所设计的HMFLO用于微调模型参数。所建议方法的假阳性率（FPR）……

CRediT作者贡献声明B.Mathura Bai：撰写——初稿。Narra Dhanalakshmi：撰写——初稿。Pradeep Venuthurumilli：撰写——初稿。Chukka Rajasekhar：撰写——初稿。CH Raghava Prasad：撰写——初稿。

利益冲突声明作者声明他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。B.Mathura Bai | Narra DhanaLakshmi | Pradeep Venuthurumilli | Chukka Rajasekhar | CH Raghava Prasad