基于无监督型迁移学习的乳腺超声图像分类研究.pdf

摘要

乳腺癌是全球女性最常见的癌症之一，早期准确诊断对于提高患者存活率至关重

要。乳腺超声作为一种无辐射无伤害且价格低廉的检测手段，对于早期发现乳腺病变

有着独特优势。但乳腺癌为异质性疾病，含多种分子亚型，各亚型在病理特征、治疗反

应及预后等方面差异显著。因此，深入研究乳腺超声图像良恶性分类问题，尤其乳腺癌

分子亚型分类问题，对于改善乳腺癌的诊断和治疗具有重要意义。由于乳腺超声数据

获取限制以及超声图像分类任务的复杂性（尤其是分子亚型分类），构建高鲁棒性分类

模型挑战较大。本文的主要工作如下：

针对乳腺超声图像采集难题及其多样化的数据分布特性，本文采用领域自适应与

生成对抗网络（GAN）相结合的方法来提高乳腺超声图像分类性能。在原有的Gradually

VanishingBridge（GVB）模型框架中融入自适应机制，从而更为有效地匹配数据集源

域与目标域的特征分布，并将目前自适应方法中效果最优的多核最大均值差异（MK-

MMD）应用于原模型特征提取网络中的全连接层，最终微调至分类性能最优。实验结

果表明，本文改进的模型MK-GVB在乳腺肿瘤良恶性分类任务中达到了85.11%的准

确度、97.48%的召回率、0.92的F1值，分类性能要明显优于典型的无监督领域自适应

（DDC）和典型对抗领域自适应（MK_DAAN、GVB）。

针对乳腺癌分子亚型分类任务，本文通过有效的数据预处理和多阶段迁移学习策

略，提高乳腺超声图像分类模型的性能。首先，为提升模型对乳腺癌分子亚型分类的泛

化能力，采用了数据增强技术对数据集进行扩容。然后，在特征提取网络中采用了多阶

段迁移学习策略，通过学习ImageNet数据集中自然图像的通用特征，引入乳腺超声图

像分类中的相关特征，逐步调整模型以适应乳腺癌分子亚型分类任务。最后将无监督

迁移模型MK-GVB重新应用于乳腺癌分子亚型分类任务中。实验结果表明，MK-GVB

在分子亚型数据集上的平均分类性能均优于其他模型，平均准确率高达91.42%、精确

度达84.32%、召回率达到81.42%、F1值为0.83。

本文通过研究无监督迁移学习方法在乳腺超声图像良恶性分类和分子亚型分类问

题上的应用，构建的MK-GVB模型在分类准确性及鲁棒性方面均优于其他模型，这

一突破有助于提高乳腺癌早期精准诊断水平。

关键词：无监督迁移学习；乳腺超声图像；良恶性分类；分子亚型分类

I

ABSTRACT

Breastcancerranksamongthemostprevalentcancersinwomenglobally,emphasizingthe

criticalneedforearlyandaccuratediagnosistoenhancepatientsurvivalrates.Breast

ultrasoundoffersanon-radiative,non-invasive,andcost-effectivemeansofdetectingearly

lesions.However,breastcancerpresentsasaheterogeneousdiseasewithvariousmolecular

subtypes,eachshowcasingnotabledisparitiesinpathologicalfeatures,treatmentresponses,

andprognoses.Hence,conductingthoroughresearchintothebenignandmalignant

classificationofbreastultrasoundimages,particularlyinclassifyingbreastcancermolecular

subtypes,holdsimmenseimportanceinadvancingbreastcancerdiagnosisa