改进的深度关节分割技术和深度混合架构用于乳腺癌诊断，并配备了更优化的模式提取器

《Scientific Reports》：Improved deep joint segmentation and deep hybrid architecture for breast cancer diagnosis with improved pattern extractors

　　

摘要

癌症仍然是全球女性患病和死亡的主要原因之一。全球五分之一的新发癌症病例发生在乳腺。将乳腺X光摄影（乳房X光检查）作为诊断乳腺异常的放射学工具，显著降低了乳腺癌（BC）的死亡率。由于对比度低和组织密度波动等原因，在乳腺X光片上准确识别和分类乳腺肿瘤颇具挑战性。为此，人们开发了多种计算机辅助检测（CAD）系统来帮助放射科医生正确分类乳腺异常。然而，这些系统的检测能力仍存在不足。本研究采用深度混合架构（DHA）开发了一种新的乳腺癌症检测模型。首先，使用直方图均衡化（HE）技术对输入的乳腺X光图像进行预处理；随后应用改进的深度联合算法（IDJ）对图像进行分割；接着提取改进的局部Gabor二值模式直方序列（ILGBPHS）、中值二值模式（MBP）和局部梯度模式（LGP）特征；最后利用DHA以及改进的深度卷积神经网络（IDCNN）和LinkNet来检测乳腺癌。通过汇总DHA的处理结果，得到了最终的乳腺癌症检测结果。该模型在mini-MIAS数据集上的准确率为95.00%，在CBIS-DDSM数据集上的准确率为95.03%，表现出优于传统DJ、传统LGBPHS和DCNN+LinkNet方法的性能。