增强可解释性的乳腺癌分类：DALAResNet50与DT Grad-CAM

Suxing Liu

增强可解释性的乳腺癌分类：DALAResNet50与DT Grad-CAM

图像与视频处理 2024-12-02 v9 计算机视觉与模式识别机器学习

作者: Suxing Liu

摘要

组织病理学图像中乳腺癌的自动分类对于准确诊断和有效治疗规划至关重要。近年来，基于ResNet架构的分类方法因能显著提升准确率而受到重视，其通过跳跃连接缓解梯度消失问题，实现低层与高层特征信息的融合。然而，传统ResNet架构面临数据不平衡和可解释性有限等挑战，需要跨领域知识及医学专家协作。为应对这些挑战，本研究提出一种乳腺癌分类新方法：双激活轻量注意力ResNet50（DALAResNet50）模型。该模型将预训练ResNet50架构与轻量注意力机制相结合，在ResNet50第四层嵌入注意力模块，并引入带LeakyReLU与ReLU激活函数的两个全连接层以增强特征学习能力。在BreakHis、BACH和Mini-DDSM数据集上的大量实验表明，DALAResNet50在准确率、F1分数、IBA和GMean上优于SOTA模型，尤其在涉及不平衡数据集的分类任务中表现突出。此外，所提出的动态阈值Grad-CAM（DT Grad-CAM）方法提供了更清晰、更聚焦的可视化，增强了可解释性并辅助医学专家识别关键特征。

关键词

乳腺癌分类组织病理学图像 ResNet50 轻量注意力数据不平衡 Grad-CAM 可解释性

引用

@article{arxiv.2308.13150,
  title  = {Breast Cancer Classification with Enhanced Interpretability: DALAResNet50 and DT Grad-CAM},
  author = {Suxing Liu},
  journal= {arXiv preprint arXiv:2308.13150},
  year   = {2024}
}

备注

13 pages, 7 figures,11 tables

增强可解释性的乳腺癌分类：DALAResNet50与DT Grad-CAM

摘要

关键词

引用

备注

相关论文