利用嵌入上下文关系的卷积神经网络（CNN）研究乳腺X光片中的乳腺癌检测方法

《Cancer Investigation》：Investigating Breast Cancer Detection with Contextual Relationship Embedded CNN in Mammograms

本研究提出结合上下文关系嵌入的卷积神经网络模型，通过预处理提升乳腺钼靶图像质量，利用全连接卷积块注意力模块提取特征，并借助带上下文约束的交叉熵损失函数优化决策，实现病理区域高精度分割，准确率达99.59%，优于现有方法。

　　

摘要

乳腺癌主要影响女性，其成因是恶性乳腺组织过度生长。由于乳腺组织的复杂性和多样性，乳腺癌的分割与早期检测过程面临诸多困难。为了解决这一挑战，本研究提出了一种结合上下文关系嵌入的卷积神经网络模型，以准确分割乳腺X光图像中的病变区域。研究从数据集中收集乳腺X光图像，并对这些图像进行预处理，以提高图像质量、降低噪声并增强对比度。通过深度卷积神经网络，利用不同的运算符捕捉图像中高对比度区域的边缘、复杂结构以及空间关系。提取的特征通过全连接-卷积块注意力模块进行整合；在上下文关系约束的引导下，这些嵌入的上下文关系特征与原始特征相结合。这使得模型能够更精确地进行分割和边界识别。实验验证表明，所提出的方法具有更高的效率，准确率达99.59%，错误率为0.405%。总体而言，本文认为该模型在乳腺癌检测方面优于现有的其他模型。