RECNN-CGAN：用于多类乳腺X线摄影分类与诊断的资源高效深度学习框架

《Current Medical Imaging》：RECNN-CGAN: A Resource-efficient Deep Learning Framework for Multi- Class Mammogram Classification and Diagnosis

　　

摘要

**目的：** 提出一种资源高效的卷积神经网络结合条件生成对抗网络（RECNN-CGAN），用于乳腺摄影分类与诊断（MCD），以实现准确且计算高效的乳腺癌诊断。

**方法：** 该系统采用高斯滤波去除噪声，同时利用非下采样轮廓波变换（NSCT）在多个尺度上从乳腺摄影图像中提取判别性特征，保留方向信息。手工设计的乳腺摄影特征与所提出的双分支RECNN学习到的深度表示相融合，其中RECNN引入了一种轻量级池化-整合机制，在保留判别能力的同时降低模型复杂度。该设计解决了传统基于CNN的乳腺摄影分类器所固有的计算复杂度问题。为应对类别不平衡并减少过拟合，CGAN模块生成了异常乳腺摄影图像的有效表示。引入CGAN模块旨在增强模型的鲁棒性和泛化能力。实验在三个异构数据集上展开：DDSM（2,620张图像）、MIAS（325张图像）以及从印度金奈Bharat Scans于2022年7月至2023年1月收集的私有临床数据集（488张图像），涵盖了患者特征和成像条件的多样性。

**结果：** 所提出的模型在正常、良性和癌性类别上的逐类灵敏度分别为99.11%、99.61%和99.05%，特异度分别为99.09%、99.55%和99.00%。正常、良性和癌性病例的准确率分别为99.06%、99.47%和98.95%。宏平均灵敏度、特异度、准确率、精确率和F1得分分别为99.57%、99.32%、99.41%、98.72%和98.75%。分割组件的交并比（IoU）达到0.982，表明与边界级别的专家标注具有高度一致性。

**讨论：** 在独立未增强的测试子集上进行的分数据集逐类评估表明，癌性类别的检测率在所有数据集上均保持一致的高水平，从而最大限度地减少了假阴性和假阳性，这对乳腺癌的早期诊断和临床可靠性至关重要。

**结论：** 总体而言，RECNN-CGAN框架在性能上优于所选的比较方法，包括多任务GCN、ResNet50 + InceptionV3以及基于CNN的特征选择方法，同时保持了更低的计算需求。凭借诊断准确性、资源效率和跨数据集的鲁棒性，所提出的系统有望被整合到大规模乳腺癌筛查流程中，特别是在资源匮乏或高通量临床环境中部署时。

关键词： 乳腺癌、乳腺摄影分类、NSCT、RECNN-CGAN、图像分割、深度学习。