基于迁移学习的乳腺肿瘤组织病理图像分类研究

作者：王振东; 李悦; 申炳俊; 金丽虹; 夏冰^*

来源：长春理工大学学报(自然科学版), 2023, 46(05): 130-136.

• 乳腺癌
• 迁移学习
• 图像分类
• 支持向量机
• 优化算法

乳腺癌是一种严重危害人体健康的恶性肿瘤，准确的诊断对于预防和治疗乳腺癌至关重要。相比人工检测的方法，计算机辅助检测系统更为高效省时。研究基于迁移学习方法，在微调Alexnet模型的基础上采用基于核的支持向量机（SVM）作为分类器构建了Alexnet-SVM模型，使用该模型对BreakHis数据库中的乳腺肿瘤组织病理图像分类。为了进一步提高模型的分类准确率，使用GA、GWO、Grid三种算法对SVM的核参数进行了优化。结果表明，经过GA算法优化过后的SVM对BreakHis数据库中不同放大倍数（40,100,200,400）下的乳腺肿瘤组织病理图像平均分类准确率分别达到97.51%、97.65%、97.68%和97.12%。相比目前已有的深度神经网络模型，所提出的模型分类准确率更高。研究结果对于乳腺癌的早期诊断具有重要的临床应用价值。

• 单位
  生命科学技术学院; 长春理工大学