融合多预处理技术与深度学习的乳腺癌X线检测框架

《Scientific Reports》：Enhanced breast cancer detection in mammograms using U-MDC based semantic segmentation and deep learning models for classification

　　

摘要

乳腺癌是全球女性癌症相关死亡的主要原因之一，因此早期准确检测至关重要。尽管乳腺X线摄影仍是筛查的主要影像学方法，但其有效性常受到噪声、伪影以及致密乳腺组织中识别小肿瘤的困难所制约。现有方法常存在较高的假阳性和假阴性率，且泛化能力有限。本文提出一种框架，协同集成了多种预处理技术，包括使用中心自适应中值滤波器（CEAMF）进行降噪、对比度增强和光照校正，以及与基于U-MDC的语义分割模块相结合，用于精确的肿瘤勾画。采用柳絮猫尾优化（WCO）算法增强的定制卷积神经网络（CNN）作为基线模型，同时使用微调后的VGG19、ResNet152和ResNet50模型进行分类。所提出的模型在CBIS-DDSM和INbreast数据集上进行了评估。表现最佳的ResNet50模型在CBIS-DDSM数据集上达到了97.80%的准确率，在INbreast数据集上达到了97.10%，并具有较高的精确率和召回率。该框架通过有效解决乳腺X线摄影分析中的关键挑战，在所评估的基准数据集上取得了令人鼓舞的结果，并为未来的外部临床验证提供了有力的基础。