于凌涛，夏永强，闫昱晟，王鹏程，曹伟

(哈尔滨工程大学 机电工程学院，黑龙江 哈尔滨 150001)

癌症是当今世界重要的公共健康问题。根据世界卫生组织国际癌症研究机构的数据显示，2018年约有1 810万新病例和960万癌症相关死亡病例，影响到所有国家和地区的人口。尤其是乳腺癌在女性癌症新发病例占比最高(占比24.2%)，而且死亡率非常高[1]。

病理组织学分析仍然是诊断乳腺癌最广泛使用的方法[2]，而且大多数诊断仍由病理学家在显微镜下对组织学样本进行目视检查来完成，需要专业的病理学家的大量工作，专家之间的诊断一致性平均约为75%[3]。因此运用计算机来进行病理组织学图像的自动分类可以使乳腺癌诊断更快，而且更不容易出错。目前关于乳腺癌识别的研究主要分为2种方法：1)基于手工特征提取结合传统机器学习的方法。Belsare等[4]使用统计纹理特征训练K-NN(k近邻)和 支持向量机(support vector machine，SVM)分类器，在一个40倍放大的私人乳腺组织学数据集上达到了70%～100%的准确率。Spanhol等[5]公开了乳腺癌病理图像数据集 BreaKHis，研究了6种包括邻接阈值统计[6]在内的手工提取的纹理特征结合包含SVM在内的4种分类器共24组的分类性能，作为区分良性和恶性肿瘤的参考基线，达到了80%～85%的准确率；2)基于深度学习的分类方法，深度学习使得模型可以直接从输入的图片中提取特征，避免了人工提取特征的程序，节省了大量的人力物力。近年来，卷积神经网络(convolutional neural networks，CNN)作为深度学习的重要方法在图像识别领域取得了巨大的成功,其在医疗图像分析方面也取得了快速的发展[7]。……