可解释深度迁移学习用于乳腺癌超声检测：多数据集研究
计算机视觉与模式识别
2025-09-08 v1
摘要
乳腺癌仍然是全球女性癌症相关死亡的主要原因之一。超声成像因其安全性和成本效益而被广泛使用，在早期检测中发挥关键作用，尤其适用于致密乳腺组织患者。本文全面研究了机器学习和深度学习技术在乳腺癌超声图像分类中的应用。利用BUSI、BUS-BRA和BrEaST-Lesions USG等数据集，我们评估了经典机器学习模型（SVM、KNN）和深度卷积神经网络（ResNet-18、EfficientNet-B0、GoogLeNet）。实验结果表明，ResNet-18在恶性病灶检测中取得了最高准确率（99.7%）和完美的灵敏度。经典机器学习模型虽然被CNN超越，但在结合深度特征提取后达到了具有竞争力的性能。Grad-CAM可视化进一步通过突出诊断相关的图像区域提升了模型透明度。这些发现支持将基于AI的诊断工具集成到临床工作流程中，并证明了部署高性能、可解释的超声乳腺癌检测系统的可行性。
引用
@article{arxiv.2509.05004,
title = {Interpretable Deep Transfer Learning for Breast Ultrasound Cancer Detection: A Multi-Dataset Study},
author = {Mohammad Abbadi and Yassine Himeur and Shadi Atalla and Wathiq Mansoor},
journal= {arXiv preprint arXiv:2509.05004},
year = {2025}
}
备注
6 pages, 2 figures and 1 table