基于卷积神经网络的乳腺肿瘤分类与分割

乳腺癌被认为是全球女性中最致命的癌症类型，在其早期阶段进行诊断至关重要。在本研究中，我们旨在提出一个快速且高效的框架，该框架由两部分组成：1-图像分类，2-肿瘤区域分割。在初始阶段，图像被分类为正常和异常两类。由于深度神经网络在机器视觉任务中表现成功，我们将采用卷积神经网络进行图像分类。在第二阶段，所提出的框架用于诊断和分割乳腺X线摄影图像中的肿瘤。首先，通过去除噪声和伪影对乳腺X线摄影图像进行预处理，然后利用基于空间模糊c均值聚类的水平集算法对图像进行分割。恰当的初始化和最优配置对水平集分割的性能有很强的影响。因此，在我们提出的框架中，通过利用空间模糊c均值聚类改进了水平集算法，最终实现了更精确的分割。为了评估所提出的方法，我们使用乳腺图像分析（MIAS）数据集进行了实验。测试表明，卷积神经网络在图像分类中能达到高准确率。此外，改进的水平集分割方法与模糊c均值聚类结合，能很好地完成肿瘤区域的分割。所提出的方法对图像分类的准确率为78%，AUC为69%，与先前方法相比准确率提高2%，AUC提高6%；并且能够更精确地提取肿瘤区域。