基于ResNet、GoogLeNet和EfficientNet的乳腺癌病理图像自动分类研究

张开发
• 2026/4/14 13:50:02 • 15 分钟阅读

最新文章

推荐文章

相关文章

分享文章

基于ResNet、GoogLeNet和EfficientNet的乳腺癌病理图像自动分类研究
基于ResNet、GoogLeNet和EfficientNet的乳腺癌病理图像自动分类研究摘要乳腺癌是全球女性最常见的恶性肿瘤，早期精准诊断对提高生存率至关重要。组织病理学检查是乳腺癌诊断的金标准，但人工阅片存在主观性强、耗时费力的问题。本文基于深度学习方法，以BreakHis乳腺癌组织病理图像数据集为研究对象，训练并优化ResNet-50、GoogLeNet（Inception v3）和EfficientNet-B0三个分类模型，实现乳腺癌良恶性自动分类。三个模型均采用迁移学习策略，在ImageNet预训练权重基础上进行微调。实验结果表明，三个模型在Binary分类任务上均取得了优异的性能：ResNet-50达到92.42%的准确率和99.86%的AUC-ROC，EfficientNet-B0达到89%以上的准确率，GoogLeNet在二分类任务中也表现良好。其中EfficientNet-B0在参数量和推理速度方面具有明显优势，更适合实际部署场景。本文详细介绍了数据集准备、数据增强策略、模型构建与训练、超参数优化以及性能评估的全过程，提供了完整的PyTorch实现代码，并对三个模型的性能进行了系统的对比分析，为乳腺癌计算机辅助诊断系统的开发提供了参考。关键词：乳腺癌分类；ResNet；GoogLeNet；EfficientNet；迁移学习；组织病理图像1 引言1.1 研究背景乳腺癌是女性群体中发病率最高的恶性肿瘤，全球每年新发病

更多文章