肖 禾，刘志勤*，王庆凤，黄 俊，周 莹，刘启榆，徐卫云

（1.西南科技大学计算机科学与技术学院，四川绵阳621010； 2.绵阳市中心医院放射科，四川绵阳621010）

（∗通信作者电子邮箱lzq@swust.edu）

0 引言

乳腺癌已经成为威胁女性健康主要魁首之一［1-2］，患者确诊乳腺癌晚期后，由于癌细胞侵蚀性等特性导致治疗效果较差，早期及时精准的诊断与治疗有助于降低乳腺癌发病率。完全基于人工的筛查方式费时费力，极其依赖医生的专业背景知识，还可能因医生的专注状态下降而导致误诊、漏诊。随着成像设备和机器学习技术的发展，计算机辅助诊断（Computer Aided Diagnosis，CAD）技术能在医生介入前完成图像的自动分类，并且提供相关的诊断建议，协助医生更快、更准确地作出诊断，因此有着积极和重要的临床应用价值。

图1 乳腺切片图像Fig.1 Local tissue image of breast

传统的计算机辅助诊断方法基本是半自动的，通常的做法是先由人工提取图像中可疑的区域，利用机器学习的方法提取出特征，随后送入到例如K近邻算法（K-Nearest Neighbor，KNN）［3］、支 持 向 量 机（Support Vector Machine，SVM）［4］或者多层感知机（Multi-Layer Perceptron，MLP）［5］等算法中进行分类。基于传统机器学习的方法，存在耗时费力和提取高质量的特征较为困难等问题，严重限制了其在实际工程中的应用。卷积神经网络是一种重要的深度学习方法，它能通过端到端训练自动学习到原始图像数据的潜在特征［6］，近年来在图像分类任务上大放异彩，并且在医学影像领域也取得不错的成绩。

在乳腺钼靶图的病理分类工作中，学术界提出了一系列优秀的深度学习方案：Lotter等［7］首先训练了一个切片分类网络，再利用滑动窗口策略（Scanning-window scheme）对输入的乳腺钼靶图逐区域预测分类；……