一种利用金字塔自适应空洞卷积、Transformer 集成与多尺度特征融合的乳腺癌检测创新框架
计算机视觉与模式识别
2026-01-21 v1 人工智能
摘要
乳腺癌是全球女性中最常见的癌症之一，其准确及时的诊断对改善治疗结果至关重要。本文提出了一种通过集成金字塔自适应空洞卷积（Pyramid Adaptive Atrous Convolution, PAAC）和 Transformer 架构来检测乳腺 X 光图像中恶性肿块的创新框架。所提出的方法利用多尺度特征融合来增强对良性和恶性组织特征的提取，并结合 Dice Loss 和 Focal Loss 函数来改善模型的学习过程，有效减少二分类乳腺癌分类中的错误，实现高准确率和高效率。在本研究中，来自 INbreast、MIAS 和 DDSM 的乳腺癌图像综合数据集通过数据增强和对比度增强进行预处理，并调整大小为 227x227 像素用于模型训练。利用 Transformer 通过自注意力机制管理长程依赖关系的能力，所提出的模型在检测癌性肿块方面达到了高准确率，优于 BreastNet、DeepMammo、Multi-Scale CNN、Swin-Unet 和 SegFormer 等基础模型。所提出模型的最终评估结果包括：准确率 98.5%、灵敏度 97.8%、特异度 96.3%、F1 分数 98.2% 和总体精确率 97.9%。这些指标表明，与传统方法相比有显著改进，并证实了该模型在复杂场景和大规模数据集中识别癌性肿块的有效性。该模型显示出作为乳腺癌诊断的可靠且高效工具的潜力，并可有效集成到医疗诊断系统中。
引用
@article{arxiv.2601.12249,
title = {An Innovative Framework for Breast Cancer Detection Using Pyramid Adaptive Atrous Convolution, Transformer Integration, and Multi-Scale Feature Fusion},
author = {Ehsan Sadeghi Pour and Mahdi Esmaeili and Morteza Romoozi},
journal= {arXiv preprint arXiv:2601.12249},
year = {2026}
}
备注
13 page