Early Detection and Classification of Breast Cancer Using Deep Learning Techniques
Varendra University（巴伦德拉大学）
本研究利用Kaggle的9248张乳腺超声图像，比较ResNet50、MobileNet、VGG16及自定义CNN模型，其中ResNet50以98.41%的最高准确率实现乳腺癌早期检测与分类。
2025-01-21 cs.CV cs.LG
Evaluation of Joint Multi-Instance Multi-Label Learning For Breast Cancer Diagnosis
Bilkent University（比尔肯特大学）
多示例多标记（MIML）学习在许多方面都是一个具有挑战性的问题。这种学习方法可能对许多医学诊断应用有用，包括乳腺癌检测和分类。在这项研究中，digiPATH数据集（全载玻片数字乳腺癌组织病理学图像）的子集用于训练和评估六种最先进的MIML方法。最后，通过有效的评价指标对这些方法进行了性能比较。结果表明，MIML-kNN取得了最好的性能，平均精度为%65.3，大多数其他方法也取得了可接受的结果。
2015-10-10 cs.CV cs.LG
Breast cancer detection using artificial intelligence techniques: A systematic literature review
University of Sharjah（沙迦大学）
癌症是对人类最危险的疾病之一，但还没有找到根治的方法。乳腺癌是最常见的癌症类型之一。根据国家乳腺癌基金会的数据，仅在2020年，美国就诊断出超过276，000例浸润性乳腺癌新发病例和超过48，000例非浸润性病例。为了正确看待这些数字，这些病例中有64%在疾病周期的早期被诊断出来，使患者有99%的生存机会。人工智能和机器学习已被有效地用于检测和治疗几种危险疾病，帮助早期诊断和治疗，从而增加患者的生存机会。深度学习旨在分析影响严重疾病检测和治疗的最重要特征。例如，可以使用基因或组织病理学成像来检测乳腺癌。基因水平的分析非常昂贵，因此组织病理学成像是用于检测乳腺癌的最常用方法。在这项研究工作中，我们系统地回顾了以前在深度学习和机器学习的帮助下使用基因测序或组织病理学成像检测和治疗乳腺癌的工作。我们也提供建议，研究人员谁将在这一领域的工作
2022-03-08 cs.AI cs.CV cs.LG
Automatic breast cancer grading in lymph nodes using a deep neural network
University of Heidelberg（海德堡大学）；DKFZ Heidelberg（海德堡德国癌症研究中心）
乳腺癌的进展可以在淋巴结全载玻片图像（WSIs）中量化。我们描述了一种新的方法，有效地进行分类的全载玻片图像和患者水平的乳腺癌分级。我们的方法利用了深度神经网络。该方法对小块进行分类，并使用模型平均进行提升。在第一步中，感兴趣区域的补丁被确定和裁剪自动颜色阈值，然后由深层神经网络分类。分类结果用于确定载玻片级别类别，并用于进一步聚合以预测患者级别等级。我们的方法的快速处理速度使得高通量图像分析成为可能。
2017-07-24 cs.CV cs.LG
Screening Mammography Breast Cancer Detection
Northeastern University（东北大学）
针对当前乳腺癌筛查成本高、假阳性多的问题，本文提出自动化检测方案，在RSNA数据集上测试多种方法，取得平均验证pF1 0.56的结果，助力提升筛查效率与准确性。
2023-07-21 cs.CV cs.LG eess.IV
BreastDCEDL: A Comprehensive Breast Cancer DCE-MRI Dataset and Transformer Implementation for Treatment Response Prediction
Dept. of Industrial Engineering and Ariel University（工业工程系和阿里尔大学）；NF Algorithms & AI（NF算法与人工智能）
BreastDCEDL是一个包含2070名乳腺癌患者术前3D DCE-MRI数据集，采用Transformer架构实现治疗反应预测，取得HR+/HER2-患者pCR预测的最优性能。
2025-07-13 cs.AI cs.CV
Breast Cancer Diagnosis with Transfer Learning and Global Pooling
University of Saskatchewan（萨斯喀彻温大学）；University of Tulane（杜兰大学）
乳腺癌是全世界妇女癌症相关死亡的最常见原因之一。乳腺癌的早期准确诊断可显著提高患者的生存率。在这项研究中，我们的目标是开发一个全自动的，基于深度学习的，使用深度卷积神经网络（DCNN）模型提取的描述符特征和池化操作对苏木精和伊红染色（H&E）组织学乳腺癌图像进行分类的方法，作为国际图像分析和识别会议（ICIAR）2018年乳腺癌组织学挑战赛（BACH）的一部分图像.采用不同的数据增强方法来优化DCNN的性能。我们还研究了作为预处理步骤的不同染色归一化方法的功效。使用预训练的Xception模型的拟议网络架构产生92.50%的平均分类准确率。
2019-09-26 cs.CV cs.LG eess.IV
Enhancing Breast Cancer Detection with Vision Transformers and Graph Neural Networks
Wuhan University（武汉大学）；Texas A&M University（德克萨斯农工大学）；Nagoya University（名古屋大学）
本文提出融合视觉Transformer与图神经网络的乳腺癌检测框架，在CBIS-DDSM数据集上达到84.2%准确率，并通过可解释注意力热图辅助临床诊断。
2025-07-11 cs.AI cs.CV
A Density-Informed Multimodal Artificial Intelligence Framework for Improving Breast Cancer Detection Across All Breast Densities
Niramai Health Analytix Pvt Ltd（Niramai健康分析私人有限公司）；HCG Cancer Hospital（HCG癌症医院）
本研究提出一种密度感知的多模态AI框架，根据乳腺密度动态选择乳腺X线摄影或Thermalytix热成像，在324名女性中实现94.55%的敏感性，优于单模态方法，尤其弥补了致密型乳腺中X线摄影敏感性下降的问题。
2025-10-16 cs.AI cs.CV cs.LG
Axial Attention Transformer Networks: A New Frontier in Breast Cancer Detection
University of California, Los Angeles（加州大学洛杉矶分校）；Washington University in St. Louis（华盛顿大学圣路易斯分校）；Johns Hopkins University（约翰斯·霍普金斯大学）；Boston University（波士顿大学）；Northeastern University（东北大学）；Tulane University（杜兰大学）
针对乳腺癌图像中小病灶分割难题，提出一种基于轴向注意力的Transformer分割模型，提升计算效率并捕获全局上下文，显著提高分割精度，助力计算机辅助诊断。
2024-09-18 cs.AI cs.CV cs.LG
Multimodal Deep Learning for Subtype Classification in Breast Cancer Using Histopathological Images and Gene Expression Data
提出整合组织病理学图像与基因表达数据的深度多模态学习框架，采用ResNet-50与交叉注意力机制对乳腺癌亚型进行分类，实验证明其优于单模态方法。
2025-03-04 cs.AI cs.CV
Assessment of Breast Cancer Histology using Densely Connected Convolutional Networks
Konica Minolta Laboratory Europe（柯尼卡美能达欧洲实验室）；LMU Munich（慕尼黑大学）
乳腺癌是最常见的癌症，也是全世界女性癌症相关死亡的主要原因。在这篇文章中，我们研究了密集连接的卷积神经网络的组织学图像分类和整个幻灯片图像分割的计算机辅助诊断乳腺癌的区域中的问题的适用性。为此，我们研究了迁移学习的各种方法，并将其应用于2018年乳腺癌组织学图像（BACH）大挑战的数据集。
2018-04-09 cs.CV
Deep Learning-based mitosis detection in breast cancer histologic samples
Keen Eye Technologies S.A.S.
这是在MIDOG 2021挑战背景下进行有丝分裂检测的申报资料。它基于两阶段对象模型Faster RCNN以及DenseNet作为神经网络架构的骨干。它在初步测试阶段排行榜上获得了0.6645的F1分数。
2021-09-02 cs.CV cs.LG
Two-Dimensional ARMA Modeling for Breast Cancer Detection and Classification
University of Arkansas at Little Rock（阿肯色大学小石城分校）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
我们提出了一种新的基于模型的计算机辅助诊断（CAD）系统，用于肿瘤检测和分类（癌性与非癌性）。良性）。具体来说，我们表明，（X射线，超声和MRI）图像可以准确地建模的二维的【形】自回归移动平均（ARMA）随机场。我们推导出一个两阶段的Yule-Walker最小二乘估计的模型参数，随后被用作基础的统计推断和生物物理解释的乳房图像。我们使用一个k-means分类器分割成三个区域的乳房图像：健康组织，良性肿瘤，和癌性肿瘤。我们对超声乳腺图像的模拟结果说明了所提出的方法的力量。
2009-06-19 cs.AI cs.CV physics.med-ph
Breast cancer detection using deep learning
School of Electronics Engineering（电子工程学院）；Vellore Institute of Technology（韦洛尔理工学院）
本文提出结合多种CNN特征提取架构与基于区域的CNN，从微波成像重建图像中检测乳腺肿瘤，并在MRI衍生乳腺体模数据集上比较七种架构，发现NASNetLarge表现最佳。
2023-04-20 cs.AI cs.CV
Designing a Deep Learning-Driven Resource-Efficient Diagnostic System for Metastatic Breast Cancer: Reducing Long Delays of Clinical Diagnosis and Improving Patient Survival in Developing Countries
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Meta Platforms Inc.（元平台公司）
本研究针对发展中国家病理医生短缺导致的转移性乳腺癌诊断长期延误问题，提出基于MobileNetV2的深度学习诊断系统，在准确率、泛化能力和计算效率上优于VGG16、ResNet50和ResNet101，并适用于低计算资源设备，为改善患者生存结局提供了资源高效的技术方案。
2023-08-04 cs.AI cs.CV cs.LG
A Large Model for Non-invasive and Personalized Management of Breast Cancer from Multiparametric MRI
The Hong Kong University of Science and Technology（香港科技大学）；PLA Middle Military Command General Hospital（中国人民解放军中部战区总医院）；The University of Hong Kong（香港大学）；The Chinese University of Hong Kong（香港中文大学）；Yunnan Cancer Hospital（云南省肿瘤医院）；th Medical Center of Chinese PLA General Hospital（中国人民解放军总医院第五医学中心）；Southern Medical University（南方医科大学）
本文提出大型模态混合专家模型MOME，整合多参数MRI信息，在乳腺癌检测中匹敌资深医生，支持缺失模态推理与决策解释，实现无创个性化管理。
2025-04-04 cs.AI cs.CV
Robust breast cancer detection in mammography and digital breast tomosynthesis using annotation-efficient deep learning approach
DeepHealth, Inc.（深健公司）；Rhode Island Hospital（罗德岛医院）；Brown University（布朗大学）；Henan Provincial People’s Hospital（河南省人民医院）；Medford Radiology Group（梅德福放射学集团）；University of Massachusetts Medical School（马萨诸塞大学医学院）
乳腺癌仍然是一个全球性挑战，2018年全球有超过100万人死于乳腺癌。为了实现乳腺癌的早期检测，全世界的卫生组织都推荐进行筛查性X射线乳房X光检查，据估计，这种检查可以将乳腺癌死亡率降低20- 40%。然而，由于假阳性率和假阴性率很高，以及口译费用高昂，因此有机会提高质量和获得服务的机会。为了解决这些局限性，最近人们对将深度学习应用于乳房X光摄影术产生了很大的兴趣;然而，获取大量带注释的数据对为此目的训练深度学习模型构成了挑战，确保泛化超出训练数据集中表示的人群也是如此。在这里，我们提出了一种注释高效的深度学习方法，该方法1）在乳房X线摄影分类中实现了最先进的性能，2）成功扩展到数字乳腺断层合成（DBT;“3D乳房X线照相术”），3）在癌症患者的临床阴性的先前乳房X线照相术中检测癌症，4）很好地推广到具有低筛查率的人群，5）通过将绝对灵敏度平均提高14%，超过五分之五的全职乳腺成像专家。我们的研究结果证明了软件的前景，可以提高全球筛查乳腺X射线摄影的准确性和可及性。
2019-12-27 cs.CV cs.LG eess.IV
Convolutional neural network based on transfer learning for breast cancer screening
Christian Brothers University（基督教兄弟大学）；University of Dayton（代顿大学）
乳腺癌是世界上最常见的癌症，也是全世界妇女最普遍的死亡原因。然而，如果早期发现，它也是最可治疗的恶性肿瘤之一。在本文中，提出了一种基于深度卷积神经网络的算法，以帮助从超声图像中准确识别乳腺癌。在该算法中，多个神经网络被融合在一个并行架构中来执行分类过程，并且在候选对象类之间的最终分类决策中应用投票准则，其中每个神经网络的输出表示单个投票。在由537个良性、360个恶性和133个正常图像组成的乳腺超声数据集上进行了几个实验。这些实验显示了一个乐观的结果和能力，所提出的模型优于许多国家的最先进的算法在几个措施。使用k折交叉验证和装袋分类器集成，我们实现了99.5%的准确性和99.6%的灵敏度。
2021-12-22 cs.CV cs.LG
An Innovative Framework for Breast Cancer Detection Using Pyramid Adaptive Atrous Convolution, Transformer Integration, and Multi-Scale Feature Fusion
本文提出基于金字塔自适应空洞卷积、Transformer和多尺度特征融合的乳腺癌检测框架，实现高准确率和效率，优于现有方法。
2026-01-18 cs.AI cs.CV
Active Learning for Breast Cancer Identification
Shenzhen University（深圳大学）
乳腺癌是女性第二常见的恶性肿瘤，已成为当今社会的重大公共卫生问题。传统的乳腺癌识别需要经验丰富的病理学家仔细阅读乳房切片，这是费力的，并遭受观察者之间的变化。因此，一个自动分类框架，乳腺癌识别是值得发展的。近年来，深度学习技术得到了迅速发展。越来越多的医疗应用开始使用深度学习来提高诊断准确性。本文提出了一种新的训练策略，即反向主动学习（RAL），用于训练网络对乳腺癌图像进行自动分类。我们的RAL被应用到一个简单的卷积神经网络（CNN）的训练集，以消除错误标记的图像。我们评估了在公开的ICIAR 2018乳腺癌数据集（IBCD）上使用RAL训练的CNN。实验结果表明，我们的RAL提高切片基于CNN的准确率从93.75%到96.25%。
2018-04-18 cs.CV
Deep-LIBRA: Artificial intelligence method for robust quantification of breast density with independent validation in breast cancer risk assessment
University of Pennsylvania（宾夕法尼亚大学）；Mayo Clinic（梅奥诊所）
乳腺密度是乳腺癌的一个重要危险因素，也会影响筛查性乳腺X线摄影的特异性和灵敏度。目前的联邦立法要求报告所有接受乳房筛查的妇女的乳房密度。临床上，使用美国放射学会乳腺成像报告和数据系统（BI-RADS）量表对乳腺密度进行视觉评估。在这里，我们介绍了一种人工智能（AI）方法，用于从数字乳房X线照片中估计乳房百分比密度（PD）。我们的方法利用深度学习（DL），使用两个卷积神经网络架构来准确分割乳房区域。然后应用结合超像素生成、纹理特征分析和支持向量机的机器学习算法来区分致密组织区域和非致密组织区域，由此估计PD。我们的方法已经在15，661张图像（4，437名女性）的多种族，多机构数据集上进行了训练和验证，然后在6，368张数字乳房X线照片（1，702名女性;病例=414）的独立数据集上进行了PD估计和乳腺癌区分的测试。在独立数据集上，来自Deep-LIBRA和专家阅片员的PD估计值强相关（斯皮尔曼相关系数= 0.90）。此外，与其他四种广泛使用的研究和商业PD评估方法（AUC = 0.528至0.588）相比，Deep-LIBRA产生了更高的乳腺癌区分性能（ROC曲线下面积，AUC = 0.611 [95%置信区间（CI）：0.583，0.639]）。我们的研究结果表明，Deep-LIBRA和专家读者的黄金标准评估之间的PD估计值非常一致，并且与最先进的开源和商业方法相比，乳腺癌风险评…
2021-10-19 cs.CV cs.LG eess.IV
Towards Early Detection: AI-Based Five-Year Forecasting of Breast Cancer Risk Using Digital Breast Tomosynthesis Imaging
Athinoula A. Martinos Center for Biomedical Imaging, Mass General Brigham and Harvard Medical School（Athinoula A. Martinos 生物医学成像中心，马萨诸塞总医院与哈佛医学院）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Charité – Universitätsmedizin Berlin, corporate member of Freie Universität Berlin and Humboldt-Universität zu Berlin（柏林夏里特医学院，自由大学和洪堡大学的成员）；Department of Radiology, University of Wisconsin School of Medicine and Public Health（威斯康星大学医学与公共卫生学院放射科）
针对现有乳腺癌风险预测模型性能有限且未纳入DBT影像的问题，提出基于DBT影像与DINOv2特征、结合累积风险层的深度学习五年风险预测框架，在大规模数据集上取得0.80的AUROC，为筛查风险评估提供新方向。
2025-08-31 cs.CV cs.LG eess.IV
Detection and Classification of Breast Cancer Metastates Based on U-Net
GENERATIONSE SOFTWARE SOLUTIONS, INC.（GENERATIONSE软件解决方案公司）
本文提出了基于U网的乳腺癌淋巴结转移检测和分类，以及基于转移检测的患者级分类。整个流程可以分为五个步骤：预处理和数据论证，基于块的分割，后处理，幻灯片级分类和患者级分类。为了减少过拟合并加速收敛，我们在U-Net中应用了批量归一化和丢弃。在训练数据上，最终Kappa得分达到0.902。
2019-09-09 cs.CV cs.LG eess.IV
Longitudinal Multi-View Breast Cancer Risk Prediction
UiT The Arctic University of Norway（挪威北极大学UIT校区）；University Hospital of North Norway（挪威北海岸大学医院）；Norwegian Computing Center（挪威计算中心）；University of Copenhagen（哥本哈根大学）
研究旨在准确预测乳腺癌风险，提出纵向多视图乳腺癌风险预测模型LMV-Net，在显式对齐框架内联合分析CC和MLO视图，经实验评估，该模型在总体及不同亚组风险预测性能上优于现有方法，凸显纵向多视图建模潜力。
2026-07-14 cs.AI cs.CV
MCUa: Multi-level Context and Uncertainty aware Dynamic Deep Ensemble for Breast Cancer Histology Image Classification
Birmingham City University（伯明翰城市大学）；Assiut University（艾斯尤特大学）；Galala University（加拉拉大学）；Deakin University（迪肯大学）；Ngee Ann Polytechnic（义安理工学院）；SUSS University（新加坡社会科学大学）；Asia University（亚洲大学）
乳腺组织学图像分类是乳腺癌早期诊断的关键步骤。在乳腺病理诊断中，卷积神经网络（CNN）已经证明了使用数字化组织切片的巨大成功。然而，由于大尺寸数字化样本的高度视觉可变性和缺乏上下文信息，组织分类仍然具有挑战性。在本文中，我们提出了一种新的CNN，称为多层上下文和不确定性感知（MCUA）动态深度学习集成模型。MCUA模型由多个多层上下文感知模型组成，以逐层的方式学习图像块之间的空间依赖关系。该模型利用了对多层次背景信息的高度敏感性，通过引入不确定性量化成分，实现了一种新的动态集成模型，在乳腺癌组织学图像数据集上取得了98.11%的高准确率。实验结果表明，所提出的解决方案相比，国家的最先进的组织学分类模型的优越的有效性。
2021-08-24 cs.AI cs.CV
A Deep Analysis of Transfer Learning Based Breast Cancer Detection Using Histopathology Images
Central Michigan University（中密歇根大学）；University of South Dakota（南达科他大学）
本文通过分析ResNet50、ResNet101、VGG16和VGG19等预训练迁移学习模型在2453张组织病理学图像上的乳腺癌检测性能，发现ResNet50表现最优，准确率达90.2%、AUC达90.0%、召回率达94.7%。
2023-04-11 cs.CV cs.LG eess.IV
Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example
SouthWest JiaoTong University（西南交通大学）；University of Southampton（南安普顿大学）；Trine University（特里恩大学）；Hong Kong University of Science and Technology（香港科技大学）
针对乳腺癌病理诊断依赖人工、耗时且存在主观性的问题，提出基于Inceptionv3架构与迁移学习的CNN分类方法，结合图像分块与概率聚合策略，在BreaKHis数据集四种放大倍数下准确率均超0.92，提升了病理图像分类效率与精度。
2024-04-12 cs.CV cs.LG eess.IV
Deep Integrated Pipeline of Segmentation Guided Classification of Breast Cancer from Ultrasound Images
East Delta University（东三角洲大学）；University of Chittagong（吉大港大学）
乳腺癌已成为现代世界极为关注的象征，因为它是全世界癌症死亡率的主要原因之一。在这方面，乳房超声图像经常被医生用来在早期诊断乳腺癌。然而，复杂的伪影和强噪声的乳腺超声图像给诊断带来了很大的挑战。此外，接受乳腺癌筛查的患者数量不断增加，需要使用自动化端到端技术，以低成本和短时间进行高度准确的诊断。在这个问题上，为了开发一个端到端的乳腺超声图像分类集成管道，我们对图像预处理方法进行了详尽的分析，如K Means++和SLIC，以及四个迁移学习模型，如VGG 16，VGG 19，DenseNet 121和ResNet 50。SLIC、UNET和VGG 16的组合在分割阶段的Dice系数得分为63.4，在分类阶段的准确性和F1得分（良性）分别为73.72%和78.92%，优于所有其他综合组合。最后，我们提出了一个端到端的集成自动流水线框架，包括使用SLIC进行预处理，以从超声图像的复杂伪影中捕获超像素特征，使用修改后的U-Net补充语义分割，使用预训练的VGG 16和密集连接的神经网络的迁移学习方法进行乳腺肿瘤分类。拟议的自动化管道可以有效地实施，以协助医生更准确和及时地诊断乳腺癌。
2022-02-14 cs.CV cs.LG eess.IV
Cancerous Nuclei Detection and Scoring in Breast Cancer Histopathological Images
Department of Electrical and Electronics Engineering, Shiraz University of Technology（设拉子理工大学电气与电子工程系）；Department of Pathology, School of Medicine, Shiraz University of Medical Sciences（设拉子医科大学医学院病理学系）
乳腺癌的早期发现和预后是可行的，利用活检标本的组织病理学分级。本研究的重点是乳腺癌组织病理学图像中细胞核多形性的检测和分级。所提出的方法包括三个内部步骤。首先，在预处理步骤中使用H&E的解混颜色。其次，对预处理后的图像进行形态学运算和高斯差分滤波，提取癌细胞核的中心，并结合癌细胞核的中心提取癌细胞核的边界。最后，对分割的细胞核进行评分，以完成乳腺癌Nottingham分级系统的一个参数。在这种方法中，细胞核面积、染色质密度、轮廓规则性和核仁存在是细胞核多形性评分的特征。实验结果表明，该算法的准确率为86.6%，与相关文献中的现有方法相比，在检测癌细胞核方面取得了显着进步。
2016-12-05 cs.CV
Pretrained Vision Models for Predicting High-Risk Breast Cancer Stage
McGill University（麦吉尔大学）；Mila Quebec AI Institute（米拉魁北克人工智能研究所）；Lelapa AI（莱拉帕人工智能）；Masakhane Research Foundation（马萨卡内研究基金会）；Drexel University（德雷塞尔大学）；University Of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
癌症日益成为全球性的健康问题。仅次于心血管疾病，癌症是世界上第二大死亡原因，每年有数百万人死于癌症。根据世界卫生组织（WHO）的报告，截至2020年底，超过780万女性被诊断患有乳腺癌，使其成为世界上最流行的癌症。在本文中，使用数字病理学（乳腺活检）图像的Nightingale Open Science数据集，我们利用预先训练的计算机视觉模型的功能进行乳腺癌分期预测任务。虽然个别模型实现体面的表现，我们发现，一个合奏模型的预测更有效，并提供了一个成功的解决方案\footnote{https://www.nightingalescience.org/updates/hbc1-results}。我们还提供了结果的分析，并探索更好的可解释性和泛化的途径。我们的代码在\url{https://github.com/bonaventuredossou/nightingale_winning_solution}上是开源的
2023-03-19 cs.CV cs.LG eess.IV
Breast Cancer Image Classification Method Based on Deep Transfer Learning
The Hong Kong University of Science and Technology（香港科技大学）；University of Southampton（南安普顿大学）；Trine University（特莱恩大学）；Southwest Jiaotong University（西南交通大学）
针对乳腺癌病理图像分类的样本少、特征设计繁、准确率低问题，提出结合注意力机制与DenseNet结构、采用多级迁移学习的分类算法，测试集准确率超84.0%，优于现有模型，可用于医学乳腺癌检测。
2024-09-11 cs.CV cs.LG eess.IV
A Survey of Breast Cancer Screening Techniques: Thermography and Electrical Impedance Tomography
Femto-ST Sciences & Technologies（Femto-ST科学与技术研究所）
乳腺癌是一种威胁许多妇女生命的疾病，因此，早期和准确的检测在降低死亡率方面起着关键作用。乳房X光检查是乳腺癌筛查的参考技术;然而，由于经济，社会和文化问题，许多国家仍然缺乏乳房X光检查。计算工具、红外摄像机和生物阻抗量化设备的最新进展允许开发并行技术，如热成像、红外成像和电阻抗断层扫描，这些技术更快、更可靠、更便宜。在过去的几十年里，这些被认为是乳腺癌诊断的补充程序，许多研究得出结论，假阳性和假阴性率大大降低。这项工作的目的是审查最新的突破，上述三个技术描述的好处，混合几种计算技能，以获得更好的全球性能。此外，我们还比较了应用于乳腺癌诊断的几种机器学习技术，从逻辑回归、决策树和随机森林到人工、深度和卷积神经网络。最后，对三维乳腺仿真、预处理技术、研究领域的生物医学设备、肿瘤位置和大小的预测提出了几点建议。
2022-02-08 cs.CV cs.LG eess.IV
Utilizing Automated Breast Cancer Detection to Identify Spatial Distributions of Tumor Infiltrating Lymphocytes in Invasive Breast Cancer
Stony Brook University（石溪大学）；Stony Brook Medicine（石溪医学院）；Stony Brook University Hospital（石溪大学医院）；University of Michigan Medical School（密歇根大学医学院）；National Cancer Institute（美国国家癌症研究所）；National Institutes of Health（美国国立卫生研究院）；Emory University（埃默里大学）
肿瘤-TIL空间关系的定量评估在乳腺癌研究的基础科学和临床方面都越来越重要。我们已经开发并评估了卷积神经网络（CNN）分析管道，以在常规诊断乳腺癌全载玻片组织图像（WSIs）中生成癌症区域和肿瘤浸润淋巴细胞（TILs）的组合图。我们制作了交互式全载玻片图，提供1）关于淋巴细胞浸润的结构模式和空间分布的见解，2）促进TIL的改进定量。我们使用三个CNN网络- Resnet-34、VGG 16和Inception v4评估了肿瘤和TIL分析，并证明了结果与通过被认为是最好的公开方法获得的结果相比是有利的。我们已经开发了开源工具，并生成了一个由1,015个TCGA乳腺癌图像的肿瘤/TIL图谱组成的公共数据集。我们还提供了一个定制的基于网络的界面，该界面可以轻松地可视化和交互式探索1，015 TCGA浸润性乳腺癌病例的高分辨率组合肿瘤-TIL图，这些图可以下载用于进一步的下游分析。
2020-01-13 cs.CV eess.IV
Masked Video Modeling with Correlation-aware Contrastive Learning for Breast Cancer Diagnosis in Ultrasound
Shenzhen University（深圳大学）；Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University（中山大学孙逸仙纪念医院）
乳腺癌是女性癌症死亡的主要原因之一。作为乳腺筛查的主要输出，乳腺超声（US）视频包含用于癌症诊断的独家动态信息。然而，用于视频分析的训练模型是不平凡的，因为它需要大量的数据集，这也是昂贵的注释。此外，乳腺病变的诊断面临着独特的挑战，如类间的相似性和类内的变化。在本文中，我们提出了一种开创性的方法，直接利用美国的视频在计算机辅助乳腺癌诊断。它利用掩码视频建模作为预训练，以减少对数据集大小和详细注释的依赖。此外，一个相关意识的对比损失的发展，以促进识别良性和恶性病变之间的内部和外部的关系。实验结果表明，我们提出的方法取得了良好的分类性能，可以优于其他国家的最先进的方法。
2022-09-10 cs.CV
An Automatic Patch-based Approach for HER-2 Scoring in Immunohistochemical Breast Cancer Images Using Color Features
乳腺癌（BC）是世界范围内女性中最常见的癌症，大约20-25%的BC是HER-2阳性。HER-2的分析是确定乳腺癌患者适当治疗的基础。病理学家之间的差异，在测试结果可能会影响诊断的准确性。本研究旨在提出一种HER-2自动评分算法。基于颜色特征，该技术是全自动的，避免了分割，在实验中与病理学家的一致性高于90%。
2018-05-14 cs.CV
Deep Transfer Learning for Breast Cancer Classification
Michigan State University（密歇根州立大学）；AIMS Ghana（加纳非洲数学科学研究所）
本研究比较了VGG、ViT和Resnet在浸润性导管癌图像分类中的表现，发现Resnet-34准确率达90.40%，而VGG-16因参数少具有更高F1分数，表明深度迁移学习能有效提升乳腺癌诊断的准确性和可及性。
2024-09-05 cs.CV
Detecting Breast Cancer using a Compressive Sensing Unmixing Algorithm
传统的乳腺癌成像方法采用微波近场雷达成像（NRI），试图恢复成像区域中每个体素处组织的复介电常数。这种方法是次优的，因为它没有直接考虑健康和癌性乳腺组织通常具有的介电常数值。在本文中，我们描述了一种新的检测乳腺癌的混合算法。在该方法中，乳房组织被分离成三个组分，低水含量（LWC）、高水含量（HWC）和癌组织，并且优化过程的目标是恢复每个组分的混合比例。通过在混合DBT / NRI系统中利用这种方法，解混重构过程可以被视为稀疏恢复问题，使得可以采用压缩感测（CS）技术。进行了数值分析，表明在适当的条件下，可以从它们的混合比例检测癌性病变。
2016-10-28 cs.CV math.OC
Breast Cancer Classification from Histopathological Images with Inception Recurrent Residual Convolutional Neural Network
University of Dayton（代顿大学）
深度卷积神经网络（DCNN）是最强大和最成功的深度学习方法之一。DCNN已经在不同的医学成像模式中提供了卓越的性能，包括乳腺癌分类，分割和检测。乳腺癌是影响全世界妇女的最常见和最危险的癌症之一。在本文中，我们提出了一种方法，乳腺癌分类的初始复发残差卷积神经网络（IRRCNN）模型。IRRCNN是一个强大的DCNN模型，它结合了Inception Network（Inception-v4）、Residual Network（ResNet）和Recurrent卷积神经网络（RCNN）的优势。IRRCNN在对象识别任务中表现出优于等效的Inception Networks，Residual Networks和RCNN的性能。在本文中，IRRCNN方法应用于两个公开可用的数据集，包括BreakHis和乳腺癌分类挑战2015的乳腺癌分类。实验结果与现有的机器学习和基于深度学习的方法进行比较，基于图像，基于块，图像级和患者级分类。IRRCNN模型在灵敏度、曲线下面积（AUC）、ROC曲线和全局准确性方面提供了优于现有方法的分类性能。
2018-11-10 cs.CV
Improving Prostate Cancer Detection with Breast Histopathology Images
Top Data Science Ltd.（顶级数据科学有限公司）；University of Helsinki（赫尔辛基大学）；Skåne University Hospital（斯科讷大学医院）；Helsinki University Hospital（赫尔辛基大学医院）
深度神经网络已经在对包括前列腺组织图像的数字病理图像的基于机器学习的分析领域中引入了显著的进步。在迁移学习的帮助下，神经网络模型的分类和分割性能得到了进一步提高。然而，由于缺乏大型的、广泛注释的、公开可用的前列腺组织病理学数据集，之前的几项研究采用了来自经过充分研究的计算机视觉任务的数据集，如ImageNet数据集。在这项工作中，我们提出了一个迁移学习计划，从乳腺组织病理学图像，以提高前列腺癌检测性能。我们通过使用公开的乳腺组织病理学数据集作为预训练，在带注释的前列腺全切片图像上验证了我们的方法。我们证明了所提出的跨癌症方法优于ImageNet数据集的迁移学习。
2019-03-14 cs.CV cs.LG stat.ML
Inception Architecture and Residual Connections in Classification of Breast Cancer Histology Images
Chonbuk National University（韩国全北国立大学）
本文介绍了将Inception v4深度卷积神经网络应用于ICIAR-2018乳腺癌分类大挑战a部分的结果。挑战任务是对以苏木精和伊红染色图像形式呈现的乳腺癌活检结果进行分类。乳腺癌分类是医学从业者的主要兴趣，因此乳腺癌图像的二进制分类已经受到许多研究人员的研究，但由于类别之间的细微差异，组织学乳腺图像的多类分类一直具有挑战性。在这项工作中，进行了广泛的数据增强，以减少过拟合和有效性委员会的几个Inception v4网络进行了研究。我们报告了89%的准确率4类分类任务和93.7%的癌/非癌两类分类任务，使用我们的测试集的80幅图像。
2019-12-10 cs.CV eess.IV
Deep Learning for Breast Cancer Detection: Comparative Analysis of ConvNeXT and EfficientNet
Department of Computer Science and Engineering（计算机科学与工程系）；BRAC University, Dhaka, Bangladesh（布拉克大学）
本研究针对乳腺癌早期检测需求，对比ConvNeXT与EfficientNet两种卷积神经网络在RSNA乳腺X线数据集上的癌症检测性能，发现ConvNeXT的AUC、准确率和F值均更优。
2025-05-24 cs.CV
Joint 2D-3D Breast Cancer Classification
University of Kentucky（肯塔基大学）；Miami University（迈阿密大学）
乳腺癌是导致女性癌症死亡人数最多的恶性肿瘤。数字乳腺X线摄影（DM或2D乳腺X线摄影）和数字乳腺断层合成摄影（DBT或3D乳腺X线摄影）是临床实践中用于乳腺癌检测和诊断的两种类型的乳腺X线摄影图像。放射科医生通常阅读这两种成像模式的组合，然而，现有的计算机辅助诊断工具的设计只使用一种成像模式。受临床实践的启发，我们提出了一种用于乳腺癌分类的创新卷积神经网络（CNN）架构，该架构同时使用2D和3D乳房X线照片。实验结果表明，该方法显著提高了乳腺癌分类的性能。通过组装三个CNN分类器，所提出的模型达到0.97 AUC，这是34.72%，比只使用一种成像方式的方法。
2020-02-27 cs.CV eess.IV q-bio.QM
Convolutional capsule network for classification of breast cancer histology images
Kaunas University of Technology（考纳斯理工大学）
任何一种疾病的诊断自动化都非常重要，随着越来越多的深度学习解决方案被应用于不同的问题，它的速度越来越快。这样的计算机辅助系统之一可以是决策支持，也能够准确区分不同类型的乳腺癌组织学图像-正常组织或癌。本文作者提出了一种基于卷积胶囊网络的深度学习解决方案，用于在应用苏木精和真核蛋白染色时对四种类型的乳腺组织活检图像进行分类。交叉验证的准确度达到0.87，具有同样高的灵敏度。
2018-04-23 cs.CV cs.CY cs.LG
Research on the Detection Method of Breast Cancer Deep Convolutional Neural Network Based on Computer Aid
Xi'an Jiaotong-Liverpool University（西安交通大学-利物浦大学）
传统的乳腺癌图像分类方法需要人工从医学图像中提取特征，不仅需要专业的医学知识，而且存在费时费力、难以提取高质量特征等问题。因此，本文提出了一种基于计算机特征融合卷积神经网络的乳腺癌图像分类检测方法。本文先对两个不同结构的卷积神经网络进行预训练，然后利用卷积神经网络自动提取特征的特征，再对从两个结构中提取的特征进行融合，最后利用分类器对融合后的特征进行分类。实验结果表明，该方法在乳腺癌图像数据集分类中的准确率为89%，与传统方法相比，乳腺癌图像的分类准确率有显著提高。
2021-04-23 cs.CV eess.IV
Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging
University of Waterloo（滑铁卢大学）
针对传统乳腺癌SBR分级需活检的问题，提出基于合成相关扩散成像(CDI$^s$)体积深度影像组学方法Cancer-Net BCa-S，实现无需活检的准确SBR分级预测，性能优于金标准成像模态。
2023-04-12 cs.CV
convoHER2: A Deep Neural Network for Multi-Stage Classification of HER2 Breast Cancer
一般来说，人表皮生长因子2（HER2）乳腺癌比其他类型的乳腺癌更具侵袭性。目前，HER2乳腺癌的检测使用昂贵的医学测试是最昂贵的。因此，本研究的目的是开发一个名为convoHER2的计算模型，用于使用卷积神经网络（CNN）检测图像数据的HER2乳腺癌。苏木精和伊红（H&E）和免疫组织化学（IHC）染色的图像已被用作来自贝叶斯信息准则（BIC）基准数据集的原始数据。该数据集由4873张H&E和IHC图像组成。在数据集的所有图像中，分别应用3896和977个图像来训练和测试convoHER 2模型。由于所有图像都是高分辨率的，我们调整了它们的大小，以便我们可以将它们输入到convoHER2模型中。基于癌症的阶段（0+、1+、2+、3+）将癌样本图像分类为四个类别。convoHER2模型能够使用H&E图像和IHC图像分别检测HER2癌症及其分级，准确率分别为85%和88%。本研究的结果确定convoHER2模型的HER2癌症检测率足以为患者提供更好的诊断，以便将来恢复其HER2乳腺癌。
2022-11-19 cs.CV eess.IV
Improve the performance of transfer learning without fine-tuning using dissimilarity-based multi-view learning for breast cancer histology images
École de Technologie Supérieure, Université du Québec（魁北克大学高等技术学院）；Université de Rouen Normandie（鲁昂诺曼底大学）
乳腺癌是最常见的癌症类型之一，也是女性癌症相关死亡的主要原因。在ICIAR 2018乳腺癌组织学图像大挑战的背景下，我们比较了一个手工特征提取器和五个基于深度学习的迁移学习特征提取器。我们发现，在ImageNet上预训练的深度学习网络比用于乳腺癌组织学图像的流行手工特征具有更好的性能。最佳特征提取器的平均准确率为79.30%。为了提高分类性能，一个基于随机森林相异性的集成方法被用来将不同的特征组组合在一起。当五个深度学习特征组组合在一起时，平均准确率提高到82.90%（最佳准确率为85.00%）。当手工特征与五个深度学习特征组相结合时，平均准确率提高到87.10%（最佳准确率为93.00%）。
2018-03-29 cs.CV
Use of Transfer Learning and Wavelet Transform for Breast Cancer Detection
School of Electrical Engineering and Computer Science, National University of Sciences and Technology（国家科技大学 电气工程与计算机科学学院）；Information Technology University (ITU)-Punjab（旁遮普信息技术大学）；University of the West of England (UWE)（西英格兰大学）
乳腺癌是妇女死亡的最常见原因之一。乳腺X线摄影是一种广泛使用的成像方式，可用于早期癌症检测。深度学习被广泛用于检测通过乳房X线摄影获得的图像中的癌性肿块。由于数据集的敏感性，提高精度的需求仍然是恒定的，因此我们引入分割和小波变换来增强图像扫描中的重要特征。我们提出的系统通过使用分割和小波变换的组合作为预处理增强，从而在神经网络中进行迁移学习，来帮助放射科医生在癌症检测的筛选阶段。所提出的系统与这些预处理技术显着提高了检测的准确性Mini-MIAS。
2021-03-05 cs.AI cs.CV cs.HC
Explainable Ensemble Machine Learning for Breast Cancer Diagnosis based on Ultrasound Image Texture Features
University of Minnesota（明尼苏达大学）；University of Cincinnati（辛辛那提大学）
图像分类被广泛用于构建乳腺癌诊断的预测模型。大多数现有的方法绝大多数依赖于深度卷积网络来构建这样的诊断管道。这些模型架构虽然性能卓越，但都是黑箱系统，对预测背后的内在逻辑提供了最少的洞察。这是一个主要的缺点，因为预测的可解释性对于癌症诊断等应用至关重要。在本文中，我们通过提出一个基于超声图像的乳腺癌诊断的可解释机器学习管道来解决这个问题。我们提取的第一和第二阶纹理特征的超声图像，并使用它们来建立一个概率集成的决策树分类器。每个决策树通过学习图像的纹理特征的一组鲁棒决策阈值来学习对输入超声图像进行分类。然后，可以通过分解学习的决策树来解释模型预测的决策路径。我们的研究结果表明，我们提出的框架实现了高预测性能，同时是可解释的。
2022-01-17 cs.CV cs.LG eess.IV
Discriminative Localized Sparse Representations for Breast Cancer Screening
Delaware State University（特拉华州立大学）
乳腺癌是发达国家和发展中国家妇女中最常见的癌症。乳腺癌的早期发现和诊断可以降低其死亡率，提高生活质量。计算机辅助检测（CADx）和计算机辅助诊断（CAD）技术已显示出减少人类专家阅读负担并提高结果准确性和可重复性的前景。稀疏分析技术已经产生了用于表示和识别成像模式的相关结果。在这项工作中，我们提出了一种方法标签一致的空间局部化Encoding稀疏分析（LC-SLESA）。在这项工作中，我们将字典学习应用到我们的基于块的稀疏分析方法中，以将乳腺病变分类为良性或恶性。我们的方法与LC-KSVD字典学习相结合的性能在MIAS数据集上使用10倍，20倍和30倍交叉验证进行评估。我们的研究结果表明，提出的稀疏分析可能是一个有用的组成部分，乳腺癌筛查应用。
2020-11-20 cs.CV eess.IV
Development of an interactive GUI using MATLAB for the detection of type and stage of Breast Tumor
MCKV Institute of Engineering（MCKV工程学院）
本文开发了一种基于MATLAB的交互式GUI，通过将实际乳腺肿块图像与样本图像进行滑块比较，实现乳腺肿瘤类型与分期的实时检测和报告生成。
2024-06-29 cs.CV
Decoupling Inherent Risk and Early Cancer Signs in Image-based Breast Cancer Risk Models
KTH Royal Institute of Technology（瑞典皇家理工学院）；Science for Life Laboratory（生命科学实验室）；Karolinska Institutet（卡罗林斯卡学院）；Karolinska University Hospital（卡罗林斯卡大学医院）
准确估计患乳腺癌风险的能力对临床决策非常重要。一种有前途的新方法是基于深度神经网络集成基于图像的风险模型。然而，在使用这些模型时必须小心，因为训练数据的选择会影响网络将学习识别的模式。考虑到这一点，我们使用三种不同的标准来训练网络，以选择阳性训练数据（即来自将患癌症的患者的图像）：在没有可见癌症迹象的图像上训练的固有风险模型，在包含癌症或癌症早期迹象的图像上训练的癌症迹象模型，以及在来自癌症诊断患者的所有图像上训练的合并模型。我们发现，这三个模型学习不同的特征，专注于不同的模式，这转化为性能的对比。短期风险最好由癌症体征模型估计，而长期风险最好由固有风险模型估计。使用所有图像进行不小心的训练会将固有风险与早期癌症体征混为一谈，并在两种方案中产生次优估计。因此，合并的模型可能会导致医生在早期癌症迹象已经可见时建议采取预防措施。
2020-09-16 cs.CV cs.LG eess.IV
Artificial Intelligence For Breast Cancer Detection: Trends & Directions
Salim Habib University（萨利姆·哈比卜大学）
在过去的十年中，计算机视觉和人工智能（AI）领域的研究人员已经加大了努力，提出了一个自动化框架，不仅可以检测乳腺癌，还可以识别乳腺癌的阶段。这一方向的研究活动激增的原因主要是由于强大的AI算法（深度学习）的出现，可以训练这些强大而复杂的AI算法的硬件的可用性以及训练AI算法所需的足够大的数据集的可访问性。研究人员已经利用不同的成像模式来自动化乳腺癌检测的任务是乳房X线照片，超声，磁共振成像，组织病理学图像或它们的任何组合。本文分析了这些成像方式，并介绍了它们的优势，局限性和征用资源，从那里可以访问他们的数据集用于研究目的。然后，本文总结了过去十年中提出的基于AI和计算机视觉的最先进方法，以使用各种成像方式检测乳腺癌。一般来说，在这篇文章中，我们重点审查了使用乳房X线照片报告结果的框架，因为它是最广泛使用的乳房成像模式，作为医生通常用于检测乳腺癌的第一个测试。关注乳房X线摄影成像模式的第二个原因是其标记数据集的可用性。数据集可用性是开发基于AI的框架的最重要方面之一，因为这些算法需要大量数据，并且通常数据集的质量会影响基于AI的算法的性能。简而言之，这篇研究文章将作为自动化乳腺成像分析领域研究社区的主要资源。
2021-10-03 cs.CV cs.LG eess.IV
