利用注意力引导的多实例学习（MIL）技术结合灰狼优化（Gray Wolf Optimization）和图卷积聚合（Graph Convolution Aggregation）方法进行晚期乳腺癌检测

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Advanced Breast Cancer Detection Using Attention-Guided MIL (Multi-Instance Learning) Optimized by Gray Wolf Optimization and Graph Convolution Aggregation Approach

　　

摘要

早期发现乳腺癌是提高生存率的关键之一，因为它是女性死亡的重要原因之一。本研究提出了一种综合性的乳腺癌检测方法，该方法结合了注意力引导的多实例学习（MIL）技术，并通过灰狼优化（GWO）和图卷积聚合（GCA）进行了改进。该模型的目标是提升乳腺癌检测的分类性能和准确性。研究使用了两个数据集：CBIS-DDSM（DDSM的精选乳腺癌成像子集）和INbreast（一个公开的乳腺X光数据库），这两个数据集包含了各种类型的数字化乳腺X光图像，包括良性、恶性和正常图像。此外，该方法利用基于注意力的MIL技术来关注乳腺X光图像中相关性最高的区域。GCA有助于保持图像之间的空间关联。GWO也被用于优化模型，微调参数以实现更稳健和高效的分类结果。在CBIS-DDSM数据集上的评估表现非常出色，准确率为98.27%，F1分数为98.33%，精确率为98.01%，召回率为98.58%。在INbreast数据集上的相应指标分别为98.60%、98.40%和98.50%。消融实验表明，模型的各个组成部分都对其有效运行至关重要，最终经过GWO优化的模型几乎达到了完美的准确率——98.27%。研究结果表明，该模型比传统技术更有效，有望解决早期和准确检测乳腺癌的挑战。未来，研究工作将集中在扩充数据集（包括其他成像模式）并进一步优化模型，以提高其泛化能力和临床应用性。