基于深度学习的乳腺肿块检测及分类算法研究

摘要
根据Global Caner发布的最新数据：乳腺癌是全球女性中最常见的恶性肿瘤之一，2012年，全世界女性新发乳腺癌病例约为167.1万，在女性恶性肿瘤发病率中排名第一。

据估计，截止到2021年，中国乳腺癌患者人数将高达250万，且呈上升趋势。

早期筛查，准确诊断以及积极精准的治疗可以显著降低乳腺癌死亡率。

因此，早期筛查乳腺癌的研究具有非常重要的现实意义。

乳腺癌的早期X线征象主要包括肿块和钙化，通常肿块边缘是模糊的，形状和大小是不同的，特征是多样的。

此外，乳腺中存在大量致密组织，这使得乳房肿块的检测更加困难，目前的检测普遍存在假阳性率高的问题。

此外，在乳腺肿块的良恶性分类方面，目前的大量的文献的主要的研究仍是简单的良恶性二分类，这在实际临床中存在很大的弊端，并不能满足医生的实际需求。

近些年来随着以深度学习为基础的人工智能技术的日趋成熟完善，如何利用深度学习技术结合医学成像辅助阅读医生已成为医学图像处理领域的热点问题。

因此，本文将重点研究利用区域卷积神经网络技术来实现放射科阅片医生的肿块检测以及基于BI-RADS金标准对乳腺肿块性分期评估分类。

这样就可以大大减轻阅读医生的工作量，帮助临床医生可靠，稳定，准确地进行乳腺癌早期筛查。

本文的主要的研究内容是基于区域卷积神经网络的乳腺肿块的检测以及分期评估分类。

本文首先回顾了深度学习在图像目标检测领域的现状以及发展方向，然后通过对经典目标检测网络Faster R-CNN网络的改进，实现了乳腺肿块的检测，最后基于BI-RADS标准初步实现了乳腺肿块恶性度的评估分类。

本文的主要工作如下：
1.基于Faster R-CNN的改进网络模型实现乳腺肿块的检测
为了实现快速准确地将乳腺肿块从钼靶图像中检测出来，我们提出了一种基于改进Faster R-CNN网络的乳腺肿块检测方法。

首先，利用数据增强技术对实验训练的数据进行扩充，然后按照数据库提供的专家标注的信息进行图像数据标注，即将乳腺的位置信息在图像上进行标记。

然后将标注好的数据送入到改进的Faster R-CNN网络中进行训练。

在该改进网络中，我们重新设定了anchor的尺寸大小，以使之更加符合乳腺肿块的尺寸大小，另外我们在共享卷积层的最后两层中间加入多层特征融合技术，然后将融合后的卷积特征图送入到RPN网络中，生成候选区域。

实验结果表明：改进后的网络模型比原模型在检测敏感性方面提高了8.5个百分点，在单张假阳性个数方面，降低了18.5%。

2.基于BI–RADS标准的乳腺肿块分期评估分类
乳腺肿块的准确定性分析，有利于医生及时准确的制定下一步的诊疗方案。

目前，大量的文献的做法仅对乳腺肿块进行简单的良恶性分类，这样分类比较粗糙，并不能完全满足实际临床的需要，很容易对患者的病情进行误诊。

并且在实际临床中，肿块的恶性定性是依据病理分析进行最终的确定，而不是仅依靠钼靶影像就可以进行确诊的。

阅读医生的通常做法是根据抗癌协会乳腺癌专家委员会发布的乳腺癌诊断和治疗指南和规范来执行肿块（BI–RADS0、1、2、3、4、5）进行分类，而不是进行简单的良恶性分类处理。

我们在之前改进网络模型的基础上面重新对共享卷积层进行了设计，最后确定了7个卷积层和2个池化层的共享卷积部分。

实验结果表明：我们的模型对BI–RADS0、1、2、3、4、5的检测分类精度分别达到39.5%、91.3.4%、64.3%、73.6%、73.9%、79.3%，平均精度达到70.3%。

尽管评估分类的精度还有待提高，但该模型基本实现了基于BI–RADS的乳腺肿块恶性度评估分类，相比于以往仅对乳腺肿块进行良恶性分类，更具有临床现实意义。

关键词：乳腺肿块；深度学习；目标检测；Faster R-CNN；多层特征融合；BI–RADS；
Abstract
According to the latest data released by Global caner：Breast cancer is one of the most common malignant tumors among women worldwide:in2012,there were approximately1.671million new cases of breast cancer among women worldwide, ranking first in the incidence of female malignancies.By2021,the number of breast cancer patients in China will reach2.5million,and the incidence will increase from less than60cases/100,000women(aged from55to69)to more than100 cases/100,000women.Studies have shown that early screening,accurate diagnosis, and precise and aggressive treatment can significantly reduce breast cancer mortality. Therefore,early screening of breast cancer research has very important practical significance.Early X-ray signs of breast cancer include mass and calcification. Usually the mass edges are blurred,the shapes and sizes are different,and the features are diverse.In addition,there is a large amount of dense tissue in the mammary gland, which makes the detection of breast lumps more difficult.
In recent years,with the big data,the artificial intelligence technology based on deep learning has become more and more mature,and with the simplicity of this detection process,the advantage of high automation has become a new development direction in the field of image target detection.How to use deep learning technology combined with medical imaging to assist reading doctors has become a hot issue in the field of medical image processing.Therefore,this article will focus on the use of regional convolutional neural network technology to achieve the radiology review doctor's lump detection evaluation classification process,reduce the workload of reading doctors,help clinicians early screening breast cancer,reliable,stable,highly accurate Breast cancer screening.
The main research in this paper is the detection of breast masses based on regional convolutional neural network and the classification of malignancy evaluation. Firstly,this paper reviewed the status quo and development direction of deep learning in the field of image target detection,and then Faster R-CNN network,a classical target detection network,was improved to detect breast lumps.Finally,the evaluation and classification of breast masses were realized based on RI-RADS standard.The main work of this paper is as follows:
1.Breast mass detection based on Faster R-CNN improved network
In order to quickly and accurately detect the breast lump from the molybdenum target image,we proposed a breast lump detection method based on the improved
Faster R-CNN network.
Firstly,the data of experimental training was expanded by using data enhancement technology,and then the image data was marked according to the information marked by experts provided by the database,that is,the location information of breast was marked on the image.The annotated data was then sent to the improved Faster R-CNN network for training.In this improved network,we reset the size of anchor to make it more consistent with the size of breast lump.In addition, we added feature fusion technology in the last two layers of the Shared convolutional layer,and then sent the fused convolutional feature map into the RPN network to generate candidate regions.The experimental results show that the improved network model is8.5percentage points more sensitive than the original model,and18.5%less sensitive than the original model.
2.Classification of breast tumor malignancy based on BI-RADS
Accurate qualitative analysis of the mammary gland is very necessary for doctors to make accurate and timely diagnosis and treatment plans for patients.At present,a large number of literatures only classify breast masses as benign or malignant(either good or evil).This is very unscientific in clinical practice,and it is easy to misdiagnose the patient's condition.Moreover,in clinical practice,the malignancy of the mass is finally determined by case analysis,not by molybdenum imaging alone. The general practice of doctors reading the film is to classify the masses(BI–RADS，0，1,2,3,4,5)according to the breast cancer diagnosis and treatment guidelines and norms issued by the breast cancer expert committee of the anti-cancer association, rather than simply classify them as either evil or good.
We redesigned the shared convolutional layer based on the previous improvement of the network model,and finally determined the shared convolution of the seven convolutional layers and the two pooled layers.The experimental results show that the detection and classification accuracy of our model for BI-RADS0,1,2, 3,4and5reaches39.5%,91.3.4%,64.3%,73.6%,73.9%and79.3%,respectively, with an average accuracy of70.3%.Although the accuracy of the classification is still to be improved,the model basically realizes the classification of the malignancy evaluation of breast mass based on pared with the previous classification of benign and malignant breast masses,it has clinical significance. Keywords:Breast mass;Deep learning;Target Detection;Faster R-CNN; Multi-layer Feature Fusion;BI-RADS
目录
摘要 (I)
Abstract (III)
1绪论 (1)
1.1研究背景及意义 (1)
1.2国内外研究现状 (3)
1.2.1乳腺病变辅助检测与诊断系统概况 (3)
1.2.2乳腺X线射线技术 (4)
1.2.3乳腺影像数据库 (5)
1.2.4乳腺肿块检测 (6)
1.2.5乳腺肿块良恶性分类 (7)
1.3论文研究内容 (8)
1.4论文章节安排 (9)
2区域卷积神经网络的原理及相关理论 (11)
2.1引言 (11)
2.2卷积神经网络概述 (11)
2.3R-CNN算法介绍 (13)
2.4Fast R-CNN算法介绍 (15)
2.5Faster R-CNN的基本原理 (17)
2.5.1共享卷积 (17)
2.5.2建议候选网络（RPN） (18)
2.5.3RPN损失函数 (19)
2.6本章小结 (20)
3基于Faster R-CNN的乳腺肿块检测 (22)
3.1引言 (22)
3.2数据准备 (22)
3.2.1数据增强 (23)
3.3网络模型设计 (25)
3.3.1Faster R-CNN结构特点 (25)
3.3.2非极大值抑制(Non-Maximum Suppression,NMS) (26)
3.3.3多层特征融合 (27)
3.4训练策略 (30)
3.5网络调参 (30)
3.6网络训练 (31)
3.7实验结果及分析 (32)
3.7.1实验结果对比 (32)
3.7.2视觉对比分析 (35)
3.8本章小结 (36)
4基于BI-RADS的乳腺肿块评估分类 (37)
4.1引言 (37)
4.2BI-RADS评估分类标准 (37)
4.3数据标注 (39)
4.4网络模型的设计 (40)
4.4.1L2归一化 (40)
4.4.2网络结构设计 (41)
4.5模型训练 (42)
4.6实验及结果分析 (43)
4.7本章小结 (47)
5总结与展望 (49)
5.1工作总结 (49)
5.2展望 (50)
参考文献 (52)
个人简历及硕士在读期间所发表的学术论文 (55)
个人简历 (55)
发表论文 (55)
1绪论
1.1研究背景及意义
目前，癌症是人类健康的头号杀手。

根据世界癌症报告统计：平均6分钟就确诊一名癌症患者，其中男性患肺癌的概率最高，而乳腺癌在女性中发病率最高的，并且近几年一直位居女性癌症发病率第一位[1]。

在全球的184个国家中，中国女性乳腺癌的发病率和死亡率处于较低的水平，但是中国女性的发病人数却占到全球的11.2%，仅次于美国。

更为严峻的是，近年来，我国女性乳腺癌的发病率与死亡率的增长速度呈上升的趋势[2-4]。

近年来,我国的发病率正以每年3%的速度增长，并且有年轻化的趋势。

在城市中，乳腺癌已经成为女性死亡率增长速度最快的癌症。

全国死亡原因回归调查报告显示：在统计了2004-2005年及2014-2015年的死亡原因后发现，后者的死亡率增长68.6%，并且目前有关乳腺癌的发病原因尚没有统一的认识，所以全面综合对乳腺癌进行的了解和研究已经成为了医工学界急需解决的问题。

当然近些年有大量学者就已经在乳腺癌领域进行大量的工作，也取得了相当重要的研究成果。

根据统计，近十年来人们对乳腺癌的关注程度逐年提高。

如下图1.1所示，该图统计了近十年来相关学者在乳腺癌方面的研究成果。

图1.1近十年乳腺癌研究成果数量（2008-2018）
相关研究数据表明：乳腺癌的早期发现，早期治疗对降低乳腺癌的发病率和死亡率具有十分重要的意义。

其中，乳腺癌的早期检出率高达97％，发育期乳腺癌发生率低于40％。

因此，早期发现乳腺癌及时治疗已成为有效降低乳腺癌死亡率的关键。

目前，乳房X线摄影术是早期乳腺癌有效无症状筛查最常用，最有效的方法之一。

通常乳腺癌的早期检查主要包括筛查和诊断两个步骤,筛查是指尽可能的找出疑似的乳腺癌患者，以免发生遗漏。

该方法为美国食品药品管理局(Food and Drug Administrator,FDA)确定的常规乳腺疾病筛查方法之一。

在西欧和美国，每年对40岁以上的女性进行普查。

近几年来，中国对这方面的关注也越来越多。

诊断阶段是指筛查发现疑似病变后对病变进行确诊，得到确定的诊断结果，并确定良恶性。

然而，由于乳房X线摄影术原理的限制，乳房X线图像中的高密度正常乳房组织通常表现出与异常组织类似的高亮度现象。

另外，亚洲年轻女性的乳房类型多为致密型，这样如果有病灶就更难被发现，出现漏诊和误诊的可能性将大大增加，并且这种初期诊断很大程度上依赖于放射科医师，所以受主观因素影响比较大。

尤其在乳腺癌的普查阶段，难以保证诊断的效率及准确性，同时也会出现漏诊和误诊的情况。

因此，提高放射医生的阅读效率和诊断准确性具有十分重要的临床意义。

随着计算机等现代信息技术地快速发展，计算机辅助检测与诊断（CAD）[5]应运而生。

计算机辅助检测和诊断技术不仅满足女性乳房筛查的需要，CAD系统不仅大大减少了阅读医生的工作量，而且提高了诊断效率和诊断的客观性。

乳腺肿瘤的定量分析，对于医学诊断领域来说，具有十分重要的意义。

国外大量的研究数据表明：CAD系统可以帮助医生提高乳腺癌病灶检测率20%左右[6]，而根据乳腺癌在死亡统计数据[7]显示：通过利用CAD检测系统，乳腺癌的死亡率已经从峰值下降了35%，这些数据无疑证明了早期发现并及时治疗对减少乳腺癌死亡率的重要性，并且需要开发和改进用于乳腺癌的计算机辅助诊断系统。

计算机辅助检测与诊断系统（CAD）主要包括两个子系统，即计算机辅助检测系统和计算机辅助诊断系统[5]。

计算机辅助检测系统的主要任务是对医学影像可能存在的病变进行检测。

而计算机辅助诊断系统的主要任务是对病变的性质进行进一步确认，给出病变的良恶性，即分类[7]。

CAD系统将医学图像技术与现代信息科学和技术相结合，如图像处理、模式识别和机器学习。

为阅片医生在病变检测以及诊断决策提供辅助，相当于是“第二诊疗意见”。

本文结合近年来深度学习，模式识别和图像处理技术的快速发展，主要从计算机辅助检测和诊断技术在乳腺肿瘤诊断中的应用两个方面：一个是乳房肿块的检测，另一是基于BI-RADS标准的乳房肿块的分类。

1.2国内外研究现状
近年来，国内外专家学者在乳腺病变辅助诊断技术方面取得了很大的成就。

我们首先总体介绍乳腺疾病辅助检测和诊断技术的国内外研究现状，然后介绍乳腺钼靶X线摄影技术在乳腺病筛查方面的优势，接着我们对目前常用的数据库做简要的介绍。

最后，分析了国内外研究对乳腺肿块的检测和肿块的良恶性分类的研究现状。

1.2.1乳腺病变辅助检测与诊断系统概况
计算机辅助检测系统的主要任务是帮助阅片医生更快更准确的进行疾病的诊断，它包含检测与诊断两个子系统。

检测就是判断乳腺X线摄影图像中是否含有疑似病变，若存在疑似病变，则对疑似病变进行定位。

诊断是对检测出来的可以病变进一步做出定性分析，确认该可以病变的良恶性或BI-RADS类别。

肿块是乳腺癌的最典型的病灶征象之一，通常对乳腺病变的辅助检测和诊断技术的研究主要是从肿块病灶开始入手研究的。

图1.2展示的是DDSM数据库[8]中正常、良性以及恶性肿块的图像，其中(a)为正常乳腺图像,(b)为包含良性肿块的乳腺图像,(c)为包含恶性肿块的乳腺图像。

a.正常图像
b.良性肿块图像
c.恶性肿块图像
图 1.2DDSM乳腺数据库图像
传统的方法主要是利用人工手段来提取特征，并对预先设定的特征进行提取分析。

人工提取的特征主要包括纹理和形态学特征等[9].纹理特征通常是以灰度共生矩阵来对Patch（图像块，即图像中的某个矩形区域）进行相关计算，然后得到能量、相关系数、熵、惯性、逆差矩、和平均、和方差、差方差等特征[8]。

形态学特征主要是指对病变的分割图（Segmentation Map）进行计算得到可能病变区域的面积、周长、周长面积比、区域似圆度等特征[10]。

但是由于即使是同一种类型的，不同病灶的大小、边缘、纹理、形状等方面也存在着差异，所以采取定制的人工特征难以准确的刻画描述不同的病灶，这就导致了检测及诊断的准确率通常不是太高的问题。

近些年来，随着深度学习技术的不断发展和完善，它在目标检测和语音识别
等模式识别任务中表现出较传统方法巨大的优势。

相比于传统机器学习方法需要人为提取手工特征，深度学习有着更为强大的特征学习能力，其本身就能够自主地学习到样本的特征，并且所学到的特征可以更好地表示样本数据集。

因此，将该技术引入医学图像领域也是目前的热点问题。

目前深度学习在该领域所展现出来的优异性能已经被人们所关注。

1.2.2乳腺X线射线技术
乳房X光检查已成为早期发现和诊断乳腺癌的首选。

乳房X光检查，全称乳房X光检查，也称为乳房X光检查，目前是乳腺疾病筛查的首选。

在进行乳房X线照相术时，X射线图像摄影通常根据拍摄角度分为常规体位和特殊体位。

常见的常规体位包括斜侧位、轴位两种，其中侧斜位（MLO Medio-Lateral Oblique，MLO view）可分为内外斜位和外内斜位。

内侧和外侧倾斜位置是将薄膜放置在乳房外部，并且X射线束从乳房的上部以45度向下侧照射；外内斜位这一相反的方式进行照射，一般情况下，内外斜位投射最常用。

而轴位（CC）又称为上、下位或头、足位，其拍摄方式就是将摄影台正对患者，固定乳腺位置，X线束从上向下照射。

图 1.3和图 1.4分别显示了同一乳房的不同视图以及不同乳房的相同视图。

(a)右乳轴位视图(b)右乳侧斜位视图
图 1.3同一乳房不同视图（DDSM）
(a)左乳轴位视图(b)右乳轴位视图
图 1.4不同乳房相同视图（DDSM）
乳房摄影X射线摄影技术具有高分辨率和良好的重复性，基本上不受患者的年龄，体形等因素的影响，也是目前最可靠、便捷的无创伤性乳腺疾病检测手段之一，目前已广泛应用于乳腺的常规筛查项目。

尤其是对于体积较大以及多脂肪类型的乳腺，其诊断准确率已经高达95%左右。

乳房X线摄影术可用于确定原位早期癌的位置，这对于专家难以检测。

它的辐射剂量相对较低，对人体的伤害很小，已成为检查乳腺疾病的首选。

同时，乳房X线摄影术具有以下优点：1、乳房X线摄影图像可以全面反映乳房的组织结构；2、可以跟踪观察因生理因素变化而引起的乳房结构的变化，从而及时地做出正确的决策；3、可以相对可靠的对乳房病变进行BI-RADS评估分类；4、根据乳腺钼靶图像的检查情况，定期的对乳房病变进行观察。

该方法是目前乳腺疾病普查常用的方法之一，对于早期发现乳房病变，提高乳腺病变诊断的准确性以及病患的生存率具有十分重要的意义。

1.2.3乳腺影像数据库
虽然乳腺癌研究一直是国内外的热点问题，但遗憾的是，目前在我国还没有建立我们自己的公开地可供研究乳腺癌诊断的X线数据库。

可在进行乳腺肿块检测研究时，一般需要有放射医生等有相关经验的医生指出每一张钼靶图像中的病灶位置和相关信息，给出诊断的金标准。

所以，要建立一个可供研究人员使用的数据库需要耗费大量的人力物力，是一项十分艰巨任务。

目前有两个研究人员使用较多的公共数据库：MIAS（乳房X线摄影图像分析学会）数据库由英国X射线图像分析协会和麻省总医院建立。

以及桑迪亚国家实验室和南佛罗里达大学共同建立的DDSM（Digital Database for Screening Mammography，DDSM）数据库。

MIAS数据库包含161名患者拍摄的322张乳房X线照相图像的总共161个MLO视图。

另外，根据放射专家的良恶性诊断结
果，MIAS数据库给出了每一个病灶区域的具体位置的中心坐标以及病灶的大小。

DDSM数据库是目前国际上最大的公开数字化乳腺钼靶X线图像数据库，该数据库包含了2620个病例，其中良性病例1011个，恶性病例914个，正常病例695个。

每一个病例包括双侧乳腺的CC视图和MLO视图，即共四张乳腺钼靶X线图像。

另外在“.ics”文件中记录了病例的拍摄日期，患者年龄，乳腺密度等相关信息。

此次之外，在对应的“.overlay”文件中提供了专家标记的病灶相关信息，病灶标注的轮廓线，类型，等级等。

其中专家标注的轮廓信息就是我们后期进行乳腺肿块检测的金标准。

1.2.4乳腺肿块检测
乳腺肿块检测方法主要基于两个方面:第一步选取候选区域或者称为ROI区域；第二步是运用分类器对ROI区域进行分类，目的是将假阳性区域去除，以
得到最终的检测结果。

近年来随着深度学习技术的不断发展，基于上述的两个方面的乳腺癌肿块检测方法，也出现了许多检测效果比较好的研究成果。

在候选区域生成时，通常的做法是基于区域的，而区域的选择从最初机械的滑动窗口法向选择性搜索方法（selective search）转变，并利用相关的图像处理
技术对区域进行手工特征的提取，包括纹理特征和形态学特征[11-15]，然后再进行区域特征输入相应的分类器分类，得到候选区域。

第二阶段，候选区域生成后，要进一步对候选区域进行筛选，主要是通过SVM（Support Vector Machine）、LDA（Linear Discriminant Analysis）、神经网络等分类器进行分类[11-15]。

随着近几年深度学习技术的不断发展，这两个阶段的方法也越来越转向运用深度学习技术来实现。

在第一个阶段，目前主要通过一些机器学习方法或者深度学习网络，比如DBN（Deep Belief Network）网络、RPN（Region Proposal Network）网络等[16,17]来得到候选区域；第二阶段利用深度学习网络来提取特征，再用SVM、LDA、随机森林分类器分类，或是直接用深度网络同时完成特征提取和分类[16,17]。

Virmani等人[18]首先对肿块ROI区域提取纹理特征，然后运用PCA （Principle Component Analysis）的方法将提取的特征进行降维处理，并选择追
踪四个不同的维度用于分类，最后分别采用SVM分类器和PNN（Probabilistic Neural Network）分类器，实验测试结果表明，其分类准确率分别达到94.4%和92.5%。

Dhungel等人[16]首先利用DBN和GMM（Gaussian Mixture Model）来生成候选可疑区域，然后再运用级联的R-CNN网络对上一步得到候选区域进行进一步的筛选，接着对筛选保留下来的候选区域提取形态学特征以及纹理特征，最后采用CCA（Connected Component Analysis）的方法对得到的区域进行后处理，此方法在在INbreast数据库上面进行检测，其检测敏感度达到0.96±0.03，
每张图像平均有1.2个假阳性区域，其在DDSM上面进行检测，检测敏感性达到0.75，平均单张假阳性个数为4.8个。

Kooi等人[19]在选取候选区域阶段提取了五种手工特征，用随机森林分类器随图像中的每一个像素进行处理，得到一个与原图像相等大小的得分图，而在得分图中每个位置的分数代表原图对应位置像素是可能区域的可能性，然后在用非极大值抑制法处理得到候选区域。

第二个阶段则采用CNN对候选区域提取特征并分类出肿块区域，该方法将第二阶段的性能与医生进行对比结果是AUC值分别为0.87与0.84。

G Qin等人[20]设计建立了一种用于大规模检测和分割的深度学习模型，以帮助医生进行乳腺癌的筛查和诊断，该文献提出了一种基于U-net的深度学习模型对诊断为肿块样病变的患者进行模型训练和测试。

本研究以检出率、平均单张假阳性个数为评价标准，实验结果表明，该学习模型检测精度达到93.1%，单张假阳性个数为0.809。

陈珊[21]在SSD卷积神经网络的基础上，通过添加卷积层来提高肿块检测性能。

该方法也是以检出率、平均单张假阳性个数为评价标准。

实验结果显示：利用该种方法，肿块检测率为92%，单张假阳性率为1.44。

1.2.5乳腺肿块良恶性分类
乳腺X线图像中肿块的良恶性分类的好坏直接影响病人治疗方案的制定，所以说计算机辅助诊断的肿块分类方法在乳腺癌诊断的过程中至关重要。

当前，常用于乳腺肿块的方法一般包括单分类器的分类与多分类器融合的方法[22]。

传统的分类方法通常包括基于参数统计估计的方法，线性和非线性，以及基于统计学习统计理论的分类方法[22]。

其中基于贝叶斯理论[23]的分类方法是最典型的参数估计方法，它一般采用估计样本点概率分布情况，来实现分类错误率最低，但是在实际应用中，通常需要大量训练样本数据来准确估计样本的概率分布函数。

然而，在实际应用中很难实现具有高维特征尺寸的样本。

人工神经网络[24]作为一种非线性分类器模型，具有很强的分类能力，可以在训练样本上获得更好的分类精度。

但在测试样本上分类表现一般，且在训练过程中易出现过拟合现象。

肿块良恶性分类的过程一般是：首先提取一系列的手工特征，例如描述肿块集合结构的形态学特征，然后再计算肿块亮度分布的纹理特征；之后将提取的特征输入到分类器进行良恶性分类，比如SVM和神经网络[25-27]。

Wang等人[28]提出一种融合多视角信息的乳腺肿块分类算法Mv-DNN，利用肿块的多视角层次化特征及临床特征进行综合诊断，最终在BCDR数据库上取得的分类AUC值为89%，分类准确率为85%。

Qiu等人[29]利用三个卷积层对采样得到的ROI区域进行特征提取，这些特征被输入到多层感知机分类器中，多层感知器分类器只有一个隐藏层和一个逻辑回归层。

该方法最后取得的分类。