刘靖雯 黄理灿

摘 要：乳腺癌严重威胁女性健康和生命，及时诊断并提供治疗方案给医生带来了挑战，病理图像分类结果是医生确诊的重要依据，实现乳腺癌病理图像识别分类具有重要意义及临床应用价值。近年来，大多数研究集中于良恶性分类，而不同类型的乳腺肿瘤本身具有不同病因及治疗方法。采用Inception-ResNet-V2深度卷积神经网络模型，实现对乳腺癌病理图像的八分类，利用数据增强和迁移学习方法，在Matlab上对数据集BreaKHis进行实验。结果表明，该方法识别率基本达到80%以上，比大部分已有研究成果效果更优。

关键词：Inception-ResNet-V2;深度卷积神经网络;数据增强;迁移学习;乳腺癌病理图像

DOI：10. 11907/rjdk. 192019 开放科学（资源服务）标识码（OSID）：

中图分类号：TP317.4 文献标识码：A 文章编号：1672-7800（2020）005-0225-05

0 引言

乳腺癌细胞丧失了正常细胞特性，细胞之间连接松散，容易脱落，是目前威胁女性健康的常见肿瘤。相关统计数据表明，乳腺癌在癌症死亡原因中位居第六，且在中国女性中发病率最高[1]。众所周知，诊断乳腺癌的最可靠途径是通过病理诊断。临床上，相对于 X-ray及核磁共振圖像，医生最后确诊时依赖于对病理图像的分析。已有研究多采用病理图像分类，既费力又费时，且采用人工提取方法有误诊的可能。计算机辅助诊断（Computer-Aided Diagnosis，CAD）可将病理图像自动分类，既节省人力、提高效率，诊断结果也更准确可靠[2]。但实现较难：一是病理图像存在微小差异，容易出现细胞重叠现象、颜色分布出现不均匀等情况;二是鉴于医学图像通常涉及病人隐私，缺乏公开的、已标记的数据集，使得因数据量少而造成分类困难。……