融合 Resnet 与 Transformer 的乳腺癌超声图像分类研究
摘要
Transformer 的乳腺癌超声图像分类方法，旨在结合卷积神经网络 (CNN) 的局部特征提取能力和 Transformer 的全局特征建
模能力，提升乳腺癌超声图像的分类性能。方法 通过 ResNet 网络提取图像局部特征，并利用 Transformer 结构对这些特征
进行全局建模，进一步增强特征的表达能力。实验在 Kaggle 乳腺癌超声图像数据集上进行。结果 所提方法在良恶性及正常
三分类任务中取得了优异的性能，分类准确率、精确率、召回率分别达到 93.2%、92.1% 及 92.6%，显著优于单一模型方法。
结论 本文研究为乳腺癌超声图像的自动化诊断提供了一种有效的解决方案。
关键词
全文:
PDF参考
[1]Hou Y. Breast cancer pathological image classification
based on deep learning[J]. Journal of X-ray science and
technology, 2020, 28(4): 727-738.
[2]Chen H, Ma M, Liu G, et al. Breast tumor classification in
ultrasound images by fusion of deep convolutional neural network
and shallow LBP feature[J]. Journal of digital imaging, 2023, 36(3):
932-946.
[3]Du R, Chen Y, Li T, et al. Discrimination of breast cancer
based on ultrasound images and convolutional neural network[J].
Journal of oncology, 2022, 2022(1): 7733583.
[4]Xie J, Song X, Zhang W, et al. A novel approach with
dual-sampling convolutional neural network for ultrasound image
classification of breast tumors[J]. Physics in Medicine & Biology,
2020, 65(24): 245001.
[5]Wang W, Li Y, Yan X, et al. Breast cancer image
classification method based on deep transfer learning[C]//
Proceedings of the International Conference on Image Processing,
Machine Learning and Pattern Recognition. 2024: 190-197.
[6] 张 建 新 , 高 程 阳 , 孙 鉴 , 等 . 混 合 监 督 学 习
的 乳 腺 癌 全 切 片 病 理 图 像 分 类 [J]. 中 国 图 象 图 形 学
报 ,2024,29(09):2825-2836.
[7] 庄建军 , 吴晓慧 , 景生华 , 等 . 多尺度特征融合的改
进残差网络乳腺癌病理图像分类 [J]. 中国生物医学工程学
报 ,2024,43(04):419-428.
[8] 禤浚波 , 周立广 , 梁英豪 , 梁淑慧 , 付志鸿 , 关志广 ,
毕明霞 . 基于 Swin Transformer 和卷积注意力的乳腺癌病理
图像诊断研究 [J]. 现代电子技术 , 2024, 47 (13): 36-42.
[9] 杨芳 , 邹迎 , 丁雪妍 , 张建新 . 多层级深度特征融
合的乳腺癌病理图像分类 [J]. 光电子·激光 , 2025, 36 (02):
185-192.
[10] 韩杨 , 孙悦 , 郭金兴 , 等 . 基于 GoogLeNet 的乳腺癌
超声图像分类 [J]. 新一代信息技术 ,2023,6(22):24-28.
[11] 方于华 , 叶枫 .MFDC-Net：一种融合多尺度特征和
注意力机制的乳腺癌病理图像分类算法 [J]. 浙江大学学报 ( 理
学版 ),2023,50(04):455-464.
[12] 龚安 , 吕秀明 . 基于卷积神经网络的乳腺癌病理图
像分类方法 [J]. 计算机应用与软件 ,2023,40(06):133-139+198.
[13] 张庙林 , 帅仁俊 . 基于 DC-DenseNet 的乳腺癌病理
图像分类 [J]. 计算机应用与软件 ,2023,40(04):116-121.
[14] 胡天寒 , 吴敏 , 刘影 , 等 . 基于 SE-DenseNet 的乳腺
癌组织病理学图像分类 [J]. 韶关学院学报 ,2023,44(03):20-27.
[15] 王 剑 , 王 晓 锋 . 基 于 VGG-19 和 Vision
Transformer 的乳腺超声图像分类方法 [J]. 信息技术与信息
化 ,2022,(11):25-28.
[16] Pawowska A, Karwat P, oek N. Re:“[Dataset of breast
ultrasound images by W. Al-Dhabyani, M. Gomaa, H. Khaled & A.
Fahmy, Data in Brief, 2020, 28, 104863]”[J]. Data in Brief, 2023,
48: 109247.
(69 摘要 Views, 33 PDF Downloads)
Refbacks
- 当前没有refback。