基于Transformer的乳腺癌分类方法：利用序列残差循环多尺度注意力网络对组织病理学图像进行处理

《Scientific Reports》：Transformer based breast cancer classification from histopathological images using sequential residual recurrent multiscale attention network

　　

摘要

乳腺癌是全球女性死亡的主要原因之一，这凸显了开发准确且可靠的诊断系统的必要性。本研究提出了一种基于Transformer网络（BrCTransNet）的乳腺癌分类方法，这是一种用于从组织病理图像中进行乳腺癌分类的新型深度学习框架。首先，输入图像会经过自适应高斯双边（AGB）滤波器的预处理，以减少噪声同时保留关键特征。特征提取采用顺序残差循环多尺度注意力网络（S2RMANet）完成，该网络能够捕捉丰富的多尺度空间信息和长距离上下文特征。提取的特征随后通过优化极化自注意力Transformer（OPATransNet）进行分类，该模型结合了极化自注意力模块，能够独立学习空间和通道间的依赖关系。为了优化损失函数，采用了切比雪夫StarFish优化（ChStF）算法来调整OPATransNet的超参数，该算法将混沌切比雪夫映射与StarFish优化算法（SFOA）相结合以提高性能。使用乳腺组织病理图像数据集进行的实验结果表明，所提出的BrCTransNet模型的分类准确率为98.97%，召回率为98.91%，F1分数为98.98%，特异性为98.36%，均方误差（MSE）为0.0103，性能优于现有模型。这些发现证实了该模型在准确性、鲁棒性和收敛速度方面的优越性，使其成为一种可靠的乳腺癌诊断工具。