劉靖雯 黃理燦

摘 要：乳腺癌嚴(yán)重威脅女性健康和生命，及時(shí)診斷并提供治療方案給醫(yī)生帶來了挑戰(zhàn)，病理圖像分類結(jié)果是醫(yī)生確診的重要依據(jù)，實(shí)現(xiàn)乳腺癌病理圖像識(shí)別分類具有重要意義及臨床應(yīng)用價(jià)值。近年來，大多數(shù)研究集中于良惡性分類，而不同類型的乳腺腫瘤本身具有不同病因及治療方法。采用Inception-ResNet-V2深度卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)乳腺癌病理圖像的八分類，利用數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)方法，在Matlab上對(duì)數(shù)據(jù)集BreaKHis進(jìn)行實(shí)驗(yàn)。結(jié)果表明，該方法識(shí)別率基本達(dá)到80%以上，比大部分已有研究成果效果更優(yōu)。

關(guān)鍵詞：Inception-ResNet-V2;深度卷積神經(jīng)網(wǎng)絡(luò);數(shù)據(jù)增強(qiáng);遷移學(xué)習(xí);乳腺癌病理圖像

DOI：10. 11907/rjdk. 192019 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP317.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2020）005-0225-05

0 引言

乳腺癌細(xì)胞喪失了正常細(xì)胞特性，細(xì)胞之間連接松散，容易脫落，是目前威脅女性健康的常見腫瘤。相關(guān)統(tǒng)計(jì)數(shù)據(jù)表明，乳腺癌在癌癥死亡原因中位居第六，且在中國(guó)女性中發(fā)病率最高[1]。眾所周知，診斷乳腺癌的最可靠途徑是通過病理診斷。臨床上，相對(duì)于 X-ray及核磁共振圖像，醫(yī)生最后確診時(shí)依賴于對(duì)病理圖像的分析。已有研究多采用病理圖像分類，既費(fèi)力又費(fèi)時(shí)，且采用人工提取方法有誤診的可能。計(jì)算機(jī)輔助診斷（Computer-Aided Diagnosis，CAD）可將病理圖像自動(dòng)分類，既節(jié)省人力、提高效率，診斷結(jié)果也更準(zhǔn)確可靠[2]。但實(shí)現(xiàn)較難：一是病理圖像存在微小差異，容易出現(xiàn)細(xì)胞重疊現(xiàn)象、顏色分布出現(xiàn)不均勻等情況;二是鑒于醫(yī)學(xué)圖像通常涉及病人隱私，缺乏公開的、已標(biāo)記的數(shù)據(jù)集，使得因數(shù)據(jù)量少而造成分類困難。盡管如此，仍有學(xué)者對(duì)乳腺癌病理圖像進(jìn)行大量研究，并取得了重要研究成果?？纱笾路譃橐韵聝蓚€(gè)部分：

（1）采用傳統(tǒng)機(jī)器學(xué)習(xí)算法即人工方式提取特征。2013年，Kowal等[3]利用4種不同的聚類算法在快速核分割的任務(wù)中進(jìn)行了測(cè)試和比較。將K均值、模糊C均值、競(jìng)爭(zhēng)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和高斯混合模型相結(jié)合，用于顏色空間中的聚類以及灰度中的自適應(yīng)閾值處理。500份病例被分類為良性或惡性，識(shí)別率為 96%～100%。Zhang等[4]提出了一種基于單類核主成分分析（KPCA）模型集成的分類方案，對(duì)361張病理圖像進(jìn)行分類，識(shí)別率為92%;Spanhlol等[5]于2015年提出來源于82名患者的7 909例乳腺癌組織病理學(xué)圖像數(shù)據(jù)集BreaKHis，并且可從提供的網(wǎng)址公開獲得，采用局部二值模式（LBP）等6種特征描述子，利用支持向量機(jī)、隨機(jī)森林等不同分類算法，使得準(zhǔn)確率達(dá)到80%～85%。上述研究方法由于數(shù)據(jù)集不同導(dǎo)致實(shí)驗(yàn)結(jié)果不具有可比性，在人工設(shè)計(jì)及特征提取時(shí)也存在過程復(fù)雜的問題。

（2）用深度學(xué)習(xí)進(jìn)行乳腺癌病理圖像分類。人工智能的發(fā)展，使得越來越多人了解卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）。近幾年，它在語音識(shí)別、信號(hào)處理、機(jī)器翻譯、計(jì)算機(jī)視覺等領(lǐng)域獲得了廣泛應(yīng)用[6]，使得CNN應(yīng)用于醫(yī)學(xué)圖像成為可能[7]。此外，深度學(xué)習(xí)實(shí)現(xiàn)數(shù)據(jù)自主學(xué)習(xí)特征，解決了人工設(shè)計(jì)提取特征造成的時(shí)間長(zhǎng)及復(fù)雜性高等問題。

2016年，Spanhol等[8]使用 AlexNet網(wǎng)絡(luò)，提出一種基于圖像塊的提取方法訓(xùn)練CNN，并使用不同的融合策略分類，其識(shí)別率比傳統(tǒng)算法高6%。Bayramoglu等[9]提出兩個(gè)不同的架構(gòu)：?jiǎn)我蝗蝿?wù)用于預(yù)測(cè)惡性腫瘤，多任務(wù)CNN用于預(yù)測(cè)惡性腫瘤并且同時(shí)放大圖像倍數(shù)，其識(shí)別率約83%。2017年，Wei等[10]提出一種BICNN的深度卷積神經(jīng)網(wǎng)絡(luò)模型，增加了網(wǎng)絡(luò)深度和寬度，提出完全保留癌變區(qū)域的圖像邊緣特征的數(shù)據(jù)增強(qiáng)方法，使得準(zhǔn)確率達(dá)到97%。2019年，王恒等[11]以ResNet50為基礎(chǔ)框架，利用遷移學(xué)習(xí)設(shè)計(jì)了一個(gè)乳腺癌圖像二分類模型，正確率可達(dá)97.4%，并具有泛化好、深度強(qiáng)、精度高、收斂快等優(yōu)點(diǎn)。

由上可知，采用BreaKHis數(shù)據(jù)集作為研究乳腺癌病理圖像的主要數(shù)據(jù)集，一方面識(shí)別率雖有較大提升，但針對(duì)BreaKHis數(shù)據(jù)集8種疾病的多樣性，簡(jiǎn)單的良性—惡性分類已經(jīng)不能滿足醫(yī)生實(shí)際診斷需要。

針對(duì)上述問題，本文采用深層次混合深度卷積神經(jīng)網(wǎng)絡(luò)，它可以自動(dòng)進(jìn)行八分類，不僅能判斷良性惡性，更能確定是哪一種良性或惡性腫瘤，從而更好地為醫(yī)生提供參考。同時(shí)，采用數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)防止過擬合，提高圖像識(shí)別率，以適應(yīng)高標(biāo)準(zhǔn)的實(shí)際臨床需求。

1 研究方法

與目前常用的深度卷積神經(jīng)網(wǎng)絡(luò)模型GoogLeNet[12]、ResNet50[13]等對(duì)比，本文使用Incetion-Resnet-V2[14]網(wǎng)絡(luò)作為基礎(chǔ)架構(gòu)，如圖1所示。模型主要包括：數(shù)據(jù)讀取、數(shù)據(jù)增強(qiáng)及標(biāo)準(zhǔn)化處理、加載預(yù)訓(xùn)練網(wǎng)絡(luò)、替換最終層、訓(xùn)練網(wǎng)絡(luò)、對(duì)結(jié)果進(jìn)行預(yù)測(cè)統(tǒng)計(jì)等內(nèi)容。

首先在源數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練得到模型的權(quán)重參數(shù)，其次用得到的模型權(quán)重參數(shù)初始化新模型的殘差網(wǎng)絡(luò)層，然后在目標(biāo)數(shù)據(jù)集上進(jìn)行微調(diào)訓(xùn)練得到最終模型，最后在測(cè)試集上檢驗(yàn)?zāi)Ｐ托阅堋?/p>

1.1 Incetion-ResNet-V2網(wǎng)絡(luò)

2016年，Google團(tuán)隊(duì)發(fā)布Inception-ResNet-V2卷積神經(jīng)網(wǎng)絡(luò)，在ILSVRC圖像分類基準(zhǔn)測(cè)試中拿下了最好成績(jī)。它從微軟的殘差網(wǎng)絡(luò)（ResNet）中得到啟發(fā)，由Inception V3模型變化而來。殘差連接（Residual Connections）可以讓Shortcuts存在于模型中，從而簡(jiǎn)化Inception塊，可以讓更深的神經(jīng)網(wǎng)絡(luò)訓(xùn)練成為可能。網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

Inception-ResNet V2設(shè)計(jì)思想如下：

由Inception V4和ResNet 相結(jié)合;3種Inception-ResNet塊加入直連，使得通道多樣;比Inception V4參數(shù)少、收斂快;比Inception-ResNet -V1塊內(nèi)卷積核的通道更多樣化。核心結(jié)構(gòu)為Stem塊。

3種Inception-ResNet塊：卷積核通道數(shù)與Inception V4各模塊內(nèi)的數(shù)目相比減少了，但整體寬度在模塊升維后相同（相比之下參數(shù)更少）;它們都加入了直連結(jié)構(gòu)使得其更深、收斂更快;最后都用1[×]1拓寬維度。

1.1.1 Inception

這里存在一個(gè)重要思想，即讓網(wǎng)絡(luò)自己決定兩個(gè)過程：一是決定使用過濾器，二是決定是否池化，而不再像從前那樣人為確定參量。可人為在網(wǎng)絡(luò)中添加所有參數(shù)的可能值，將它們的輸出連接起來，讓網(wǎng)絡(luò)自主學(xué)習(xí)，得知它需要哪些過濾器的組合，具體需要什么樣的參數(shù)。為了調(diào)整Inception網(wǎng)絡(luò)防止過擬合發(fā)生，網(wǎng)絡(luò)中設(shè)有Softmax分支，這樣做的目的在于正常預(yù)測(cè)圖片分類，即使在進(jìn)行特征計(jì)算時(shí)出現(xiàn)其它層，比如隱藏其中的單元或中間層參與進(jìn)來時(shí)，也不會(huì)耽誤結(jié)果產(chǎn)生。

1.1.2 ResNet的優(yōu)勢(shì)

ResNet殘差網(wǎng)絡(luò)可認(rèn)為是殘差塊的堆疊，這樣可以將網(wǎng)絡(luò)設(shè)計(jì)得很深。殘差網(wǎng)絡(luò)和普通網(wǎng)絡(luò)的不同點(diǎn)在于，在進(jìn)行非線性變化前，部分?jǐn)?shù)據(jù)復(fù)制一份累加后進(jìn)行了非線性變換。理想狀態(tài)下，隨著網(wǎng)絡(luò)深度的增加，訓(xùn)練誤差理應(yīng)逐漸縮小，而ResNet能夠做到隨著網(wǎng)絡(luò)深度的增加，訓(xùn)練中產(chǎn)生的誤差縮小。對(duì)于CNN而言，常用的優(yōu)化算法為梯度下降等。網(wǎng)絡(luò)深度逐漸增加，會(huì)呈現(xiàn)訓(xùn)練誤差先減后增的情況。

1.1.3 1[×]1卷積

當(dāng)1[×]1卷積[15]出現(xiàn)時(shí)，其主要作用是提高或降低通道數(shù)，也即厚度，卻不改變圖片的寬和高。改變的通道個(gè)數(shù)取決于使用的過濾器個(gè)數(shù)，將原來的通道數(shù)改為過濾器個(gè)數(shù)，以減少運(yùn)算成本。比如，一張227[×]227且厚度為50的圖片在20個(gè)過濾器上進(jìn)行1[×]1的卷積，則結(jié)果自然變成227[×]227[×]20。另一個(gè)作用是非線性也被加入其中。先經(jīng)過CNN再經(jīng)過激勵(lì)層， 在前一層上進(jìn)行1[×]1的卷積，以提升網(wǎng)絡(luò)表達(dá)能力，則稱之為添加了非線性激勵(lì)（Non-linear Activation）。提升非線性特性要注意保證一個(gè)前提：不損失分辨率，也即維持特征圖尺度不變，最后結(jié)果是讓網(wǎng)絡(luò)更深。

1.2 數(shù)據(jù)增強(qiáng)

需要大量帶有標(biāo)記的樣本，這是防止過擬合情況產(chǎn)生的有效途徑，獲得醫(yī)學(xué)圖像通常需要高昂的代價(jià)且很難實(shí)現(xiàn)，想要得到經(jīng)過醫(yī)生標(biāo)注的醫(yī)學(xué)圖像更是難上加難。本文在數(shù)據(jù)集BreaKHis基礎(chǔ)上，采用數(shù)據(jù)增強(qiáng)[16]加以實(shí)現(xiàn)。使用增強(qiáng)的圖像數(shù)據(jù)存儲(chǔ)可自動(dòng)調(diào)整訓(xùn)練圖像的大小[17]。指定對(duì)訓(xùn)練圖像額外執(zhí)行的增強(qiáng)操作：沿垂直軸隨機(jī)翻轉(zhuǎn)訓(xùn)練圖像，以及在水平和垂直方向上隨機(jī)平移訓(xùn)練圖像最多30個(gè)像素。

1.3 Softmax分類器

Softmax大部分在多分類過程中使用，多個(gè)神經(jīng)細(xì)胞的輸出映射到（0，1）區(qū)間內(nèi)，形成一個(gè)概率。在全連接層輸入的特征矩陣接收到后，其輸出的是輸入所對(duì)應(yīng)的每個(gè)類別上的概率，通過這一過程實(shí)現(xiàn)多分類[18]。假設(shè)輸入圖像數(shù)目為[N]，即為[xi，yimi=1]，[yi∈1，2？m]標(biāo)記為每個(gè)圖像，模型中最后輸出種類數(shù)記為[mm2]。本文進(jìn)行乳腺癌八分類，因此m的值為8。[xi]為給定的輸入圖像，估計(jì)假定函數(shù)[fθxi]對(duì)應(yīng)類別的概率值[Pyi=j|xi] ?。則函數(shù)表示如式（1）所示。

1.4 遷移學(xué)習(xí)

遷移學(xué)習(xí)[19]思想類似于人們常說的舉一反三，本文使用已有機(jī)器學(xué)習(xí)方法解決相關(guān)實(shí)際問題。這里所說的相關(guān)是指不同領(lǐng)域但富有關(guān)聯(lián)性，目的是打通知識(shí)遷移性，解決實(shí)際問題中標(biāo)簽樣本少甚至由于現(xiàn)實(shí)條件下的各種情況導(dǎo)致標(biāo)簽樣本不存在的情況。其基本思路是使用預(yù)訓(xùn)練，將現(xiàn)有大型數(shù)據(jù)集上訓(xùn)練好的權(quán)重值作為初始化值，將它遷移到實(shí)際問題的數(shù)據(jù)集上進(jìn)行再次訓(xùn)練并且微調(diào)參數(shù)。相當(dāng)于在預(yù)訓(xùn)練中進(jìn)行學(xué)習(xí)而得到一些基本特征，可能是顏色，也可以是邊框特征，總之這種方法可以提高準(zhǔn)確率并節(jié)省訓(xùn)練時(shí)間[20]。本文使用ImageNet數(shù)據(jù)集將預(yù)訓(xùn)練好的Inception-ResNetV2網(wǎng)絡(luò)模型參數(shù)遷移到BreaKHis上進(jìn)行微調(diào)訓(xùn)練。

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)集

乳腺癌活檢是醫(yī)生確診的重要步驟，醫(yī)療上常采取腫物切活檢獲得最終診斷。針對(duì)這項(xiàng)技術(shù)，常見方法分為4類：細(xì)針穿刺、核心穿刺活檢、真空輔助和外科（開放）活組織檢查（SOB）。通過SOB方法收集數(shù)據(jù)集中存在的樣品，也稱為部分乳房切除術(shù)或切除活組織檢查。本文所用的數(shù)據(jù)集BreaKHis[5]由SPANHOL與巴西巴拉那P&D實(shí)驗(yàn)室（病理解剖學(xué)和細(xì)胞病理學(xué)）合作構(gòu)建。從82名患者（良性患者24人，惡性患者58人）收集的乳腺腫瘤組織顯微圖像，共7 909張，包含4種不同的放大因子（40X、100X、200X和400X）。內(nèi)含2 480個(gè)良性乳腺腫瘤圖像和5 429個(gè)惡性乳腺癌癥圖像（3通道RGB，每個(gè)通道8位深度，700×460像素，PNG格式），詳情如表1所示。

根據(jù)腫瘤細(xì)胞在顯微鏡下的外觀，可以將良性和惡性乳腺腫瘤分為不同類型。 各種類型的乳腺腫瘤可具有不同的預(yù)后和治療意義。該數(shù)據(jù)集目前包含4種組織學(xué)上不同良性乳腺腫瘤，一般有較好機(jī)會(huì)治療。它們分別為：纖維腺瘤（F）、腺?。ˋ）、管狀腺瘤（TA）、葉狀腫瘤（PT）。4種惡性腫瘤（乳腺癌），均以癌癥被人們所知，它們分別為：癌（DC）、粘液癌（MC）、乳頭狀癌（PC）、小葉癌（LC）。

每個(gè)圖像文件名存儲(chǔ)關(guān)于圖像本身的信息：程序活組織檢查方法、腫瘤類別、腫瘤類型、患者識(shí)別和放大因子。 例如，SOB_B_TA-14-4659-40-001.png是放大因子40X的圖像1，其是管狀腺瘤的良性腫瘤，原始來自載玻片14-4659，其通過程序SOB收集。

2.2 訓(xùn)練策略

從本實(shí)驗(yàn)中將數(shù)據(jù)集按倍數(shù)分為4組完成對(duì)BreaKHis數(shù)據(jù)集的八分類，將它隨機(jī)劃分為3個(gè)部分，即驗(yàn)證集（20%）、測(cè)試集（20%）和訓(xùn)練集（60%），并且采取相同的預(yù)處理操作，劃分為網(wǎng)絡(luò)可以接受的輸入299[×]299×3大小，以保證驗(yàn)證和測(cè)試結(jié)果的準(zhǔn)確性，并保存在data_set_split_8.m文件中。對(duì)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練和參數(shù)學(xué)習(xí)并在訓(xùn)練集中完成，以40X為例：學(xué)習(xí)率為0.001，最大迭代為2 390，驗(yàn)證集頻率為100，最小的批大小為5，訓(xùn)練時(shí)間達(dá)3小時(shí)左右。在驗(yàn)證集中主要完成以下步驟：優(yōu)化模型，在訓(xùn)練過程中對(duì)模型進(jìn)行測(cè)試，根據(jù)測(cè)試結(jié)果進(jìn)行微調(diào);提升測(cè)試模型的識(shí)別和泛化能力并在測(cè)試集中完成。本實(shí)驗(yàn)對(duì)訓(xùn)練集進(jìn)行了數(shù)據(jù)增強(qiáng)，驗(yàn)證集和測(cè)試集用于測(cè)試實(shí)驗(yàn)效果;加載Inception-ResNet-V2網(wǎng)絡(luò)，并替換最終網(wǎng)絡(luò)層，使得網(wǎng)絡(luò)分類個(gè)數(shù)為8;開始訓(xùn)練，并微調(diào)參數(shù)，使得實(shí)驗(yàn)結(jié)果最優(yōu)。訓(xùn)練效果如圖3和圖4所示（彩圖掃描OSID碼可見，下文同），在迭代2 390次后，Loss值為1.31。

2.3 硬件及軟件平臺(tái)

實(shí)驗(yàn)中所用硬件配置為：64 位Windows操作系統(tǒng)， 16GB內(nèi)存CPU，GEFORCE GTX1050ti顯卡。軟件方面：使用2019版Matlab以及圖像處理工具箱。

2.4 實(shí)驗(yàn)結(jié)果及分析

本實(shí)驗(yàn)中使用正確率ACC為評(píng)價(jià)指標(biāo)，ACC的值越大，代表模型的預(yù)測(cè)和真實(shí)情況越接近，模型性能越好。假定[N]代表所有測(cè)試集圖像數(shù)目，[Nq]代表網(wǎng)絡(luò)判斷正確次數(shù)。則ACC的表達(dá)式為式（3）。

由圖5可知，在40倍的實(shí)驗(yàn)測(cè)試數(shù)據(jù)中，綠色對(duì)角線上顯示為正確分類的圖像數(shù)目，而旁邊紅色的數(shù)據(jù)顯示為網(wǎng)絡(luò)判斷錯(cuò)誤的圖像數(shù)目，混淆矩陣邊緣數(shù)據(jù)為根據(jù)測(cè)試數(shù)據(jù)計(jì)算的準(zhǔn)確率。以良性病benign_adenosis為例：測(cè)試集中共23張圖片，網(wǎng)絡(luò)正確分類圖像數(shù)目為19張，錯(cuò)誤分類成benign_fibroadenoma為2張，占測(cè)試集總數(shù)的0.5%，被錯(cuò)分成malignant_lobular_carcinoma的數(shù)目為2張，占總測(cè)試集的0.5%;正確分類占真正實(shí)例的82.6%，錯(cuò)誤分類比例占17.4%。同理可知其余7類結(jié)果，得出最后準(zhǔn)確率為86.7%。同理，在其它倍數(shù)上也進(jìn)行了實(shí)驗(yàn)匯總，得到如表2所示結(jié)果。

在4種放大倍數(shù)上對(duì)數(shù)據(jù)集進(jìn)行分類，實(shí)驗(yàn)結(jié)果表明，本文使用的Inception-ResNet-V2深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)效果在40X～200X時(shí)效果優(yōu)于其它兩種近幾年使用較多的卷積神經(jīng)網(wǎng)絡(luò)。但400X環(huán)境下深層次網(wǎng)絡(luò)較復(fù)雜且層數(shù)較多，導(dǎo)致實(shí)驗(yàn)結(jié)果不如ResNet50效果好，可見放大倍數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響。

4 結(jié)語

本文使用以Inception-ResNet-V2為架構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)，將乳腺癌病理圖像數(shù)據(jù)集分成8種不同類型的良惡性乳腺腫瘤。利用數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)方法擴(kuò)充數(shù)據(jù)量，從而解決因標(biāo)記樣本過少帶來的過擬合問題。從實(shí)驗(yàn)結(jié)果可以看出，本文提出的方法具有較高的識(shí)別率，較其它良惡性腫瘤二分類能夠更好地為臨床醫(yī)療提供幫助。同時(shí)本文也存在不足，主要是公開可用的實(shí)驗(yàn)數(shù)據(jù)量少。因此，今后的改進(jìn)方向是使用更多的醫(yī)學(xué)真實(shí)數(shù)據(jù)進(jìn)行測(cè)試，并采用更好的卷積神經(jīng)網(wǎng)絡(luò)以提高識(shí)別率。

參考文獻(xiàn)：

[1] STEWART B，WILD C P. World cancer report 2014[M]. Lyon：World Health Organization，2014.

[2] 何雪英，韓忠義，魏本征. 基于深度學(xué)習(xí)的乳腺癌病理圖像自動(dòng)分類[J]. 計(jì)算機(jī)工程與應(yīng)用，2018，54（12）：126-130.

[3] KOWAL M，F(xiàn)ILIPCZUK P，OBUCHOWICZ A，et al. Computer- aided diagnosis of breast cancer based on fine needle biopsy microscopic images[J]. Computers in Biology and Medicine，2013，43（10）：1563-1572.

[4] ZHANG Y，ZHANG B，COENEN F，et al. One-class ?kernel sub-space ensemble for medical image ?classification[J]. EUR- ASIP ?Journal ?on ?Advances ?in ?Signal ?Processing，2014（1）：17.

[5] SPANHOL F A，OLIVEIRA L S，PETITJEAN C，et al. A dataset for breast cancer histopathological image classification[J]. IEEE Transactions on Biomedical Engineering，2016，63（7）：1455-1462.

[6] KRIZHEVSKY A，SUTSKEVER I，HINTON G E. Imagenet classification with deep convolutional neural networks[C]. Advances in Neural Information Processing Systems，2012：1097-1105.

[7] CHEN H，DOU Q，WANG X，et al. Mitosis detection in breast cancer histology images via deep cascaded networks[C]. Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence，2016：1160-1166.

[8] SPANHOLF A ，OLIVEIRA L S，PETITJEAN C，et al. Breast cancer histopathological image classification using convolutional neural networks[C]. Vancouver：IEEE International Joint Conference on Neural Networks，2016.

[9] BAYRAMOGLU N，KANNALA J，HEIKKILA J. Deep learning for magnification independent breast cancer histopathology image classification[C]. International Conference on Pattern Recognition（ICPR），2016：2441-2446.

[10] WEI B，HAN Z，HE X，et al. Deep learning model based breast cancer histopathological image classification[C]. Chengdu： IEEE International Conference on Cloud Computing & Big Data Analysis，2017.

[11] 王恒，李霞，劉曉芳，等. 基于Resnet50網(wǎng)絡(luò)的乳腺癌病理圖像分類研究[J]. 中國(guó)計(jì)量大學(xué)學(xué)報(bào)，2019，30（1）：72-77.

[12] SZEGEDY C，LIU W，JIA Y，et al. Going deeper with convolutions[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2015：1-9.

[13] HE K，ZHANG ?X，REN S，et al. Deep residual learning for image recognition[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2016：770-778.

[14] SZEGEDY C，IOFFE S，VANHOUCKE V，et al. Inception-v4，Inception-ResNet and the impact of residual connections on learning[J]. ?ARXIV，2016：1-12.

[15] SZEGEDY C，VANHOUCKE V，IOFFE S，et al. Rethinking the inception architecture for computer vision[C]. ?Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2016： 2818-2826.

[16] SHEN D，WU G，SUK H I. Deep learning in medical image analysis[J]. Annual Review of Biomedical Engineering，2017，19（1）：221-248.

[17] 劉棟， 李素， 曹志冬. 深度學(xué)習(xí)及其在圖像物體分類與檢測(cè)中的應(yīng)用綜述[J]. 計(jì)算機(jī)科學(xué)， 2016（12）：20-30.

[18] 薛迪秀. 基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像癌變識(shí)別研究[D]. 合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2017.

[19] SHIN H C，ROTH H R，GAO M，et al. Deep convolutional neural networks for computer-aided detection：CNN architectures，dataset characteristics and transfer learning[J]. IEEE Transactions on Medical Imaging，2016，35（5）：1285-1298.

[20] BECKER A S，MUELLER M，STOFFEL E，et al. Classification of breast cancer in ultrasound imaging using a generic deep learning analysis software： a pilot study[J]. ?Br J Radiol，2018，91：20170576.

（責(zé)任編輯：孫 娟）