基于 DenseNet 结合神经哈希的乳腺癌病理细粒度图像分类研究：助力精准诊断

乳腺癌是全球常见癌症，手工病理图像分析耗时且易出错。研究人员开展基于 DenseNet 结合神经哈希用于乳腺癌病理细粒度图像分类的研究。在 BreakHis 数据集上评估，结果表明该方法比现有方法更有效，还可用 LIME 技术阐释，有助于提升计算机辅助诊断（CAD）性能。

　　乳腺癌是全球最常见的癌症类型之一，乳腺癌病例的数量凸显了在各个层面进行疾病管理的重要性。显微镜成像技术是一种辅助乳腺癌分类的方法。手动进行组织病理学图像分析既耗时又容易出现人为误差。由于技术的广泛进步，计算机辅助诊断（CAD）已成为一种流行且可行的医学图像分析解决方案。显微镜图像分析能够帮助医生做出更准确的诊断。然而，从实际应用的角度来看，CAD 模型的性能仍有待提高。在本研究提出的方法中，采用了一种名为 DenseNet 的基线模型从组织病理学图像中提取特征。但仅靠预训练的 DenseNet 模型，不足以对良性和恶性组织病理学图像样本进行细粒度的特征区分。因此，在网络末端加入了两个哈希层，以增强良性和恶性这两类样本的特征可分离性。研究人员在 BreakHis 组织病理学图像数据集上，对所提方法在 40×、100×、200× 和 400× 放大倍数下的性能进行了评估。评估结果证实，与其他现有方法相比，该方法是有效的。此外，研究还利用局部可解释模型无关解释（LIME）技术展示了该方法的可解释性。