文献综述（或调研报告）：
计算机辅助检测和诊断技术不断进步，基于图像的乳腺癌检测和诊断的研究已经取得了很多成果，在这里主要介绍部分基于传统机器学习的方法和基于深度学习的方法。
（1）基于传统机器学习的方法
Alolfe等人[1]使用支持向量机和线性分类器在 MIAS 数据集上进行肿瘤良性和恶性的分类，分别取得了 90%和 87.5%的分类准确率。在他们的工作中，首先在含有肿瘤的图像中提取 32times;32 的感兴趣区域，然后在感兴趣区域上进行特征的提取，共提取了包括小波特征、一阶统计特征、二阶统计特征、形状特征、分型维度特征等 224个特征，最后挑选出 13个作为分类的依据。Dheeba等人[2]使用粒子群优化神经网络在来自54位病人的216张乳腺钼靶图像上进行正常和异常的分类，获得了 93.67%的分类准确率。Mahersia 等人[3]使用贝叶斯正则化网络和神经模糊模型在 MIAS数据集上进行正常和癌症的分类，分别获得了97.08%和95.42的分类准确率。
（2）基于深度学习的方法
近些年来，基于深度学习的图像处理方法在计算机视觉领域取得了巨大成功，与传统方法相比，其能够自动提取特征，避免人工特征提取产生的不完备性和偏差。卷积神经网络是目前医学图像分析中的主导框架，已经通过多种方式投入使用，在乳腺摄影诊断中亦有很多应用，包括分类、定位、检测、分割和高分辨率图像重建等[4]。
卷积神经网络发展迅速，已经形成了包括Resnet[5], Densenet[6], Dual path net[7], Inception[8], Inception-resnet[9]等多个成熟的网络框架结构，研究人员利用这些神经网络模型也取得了很多成果。Ertosun和Rubin[10]使用三种不同结构的卷积神经网络对乳腺钼靶图像进行肿块定位。他们的实验数据来自于 DDSM数据库的 2420 张图像，通过随机裁剪、平移、旋转、翻转和缩放的方法对训练集进行扩充。整个实验可以分为两部分，第一部分实验进行有无肿块的分类，第二部分对包含肿块的图像进行肿块的定位。Samala 等人[11]提出了一个四个卷积层和三个全连接层的卷积神经网络模型。他们的工作中使用了迁移学习的方法，首先使用乳腺钼靶图像对网络进行预训练，然后固定前三个卷积层的参数，使用DBT图像训练第四个卷积层和全连接层，最终，在DBT数据集上进行测试，获得了 91%的 AUC。Dhungel 等人[12]提出一种自动深度特征学习的方法在 INbreast 数据集上进行肿瘤良性和恶性的分类。他们的训练过程分为两个部分，首先，预训练一个回归的网络，然后在 INbreast 数据集上进行肿瘤良恶性的分类，其结果相比不预训练，直接学习方法和基于人工特征的方法更好。
在ICIAR 2018下的乳腺癌组织图像挑战赛中(Grand Challenge on Breast Cancer Histology images, BACH)[13]，参赛队伍几乎都使用了卷积神经网络方法来解决问题，在组织切片高分辨率显微镜图像上进行分类时，最高可以达到0.87的准确率。纽约大学2019年发表的工作[14]，收集了来自141,473名患者的共1,001,093幅图像制作成数据集，数据标签的获得来自于活检的病理报告。在此数据集上训练和评估了一组神经网络，将四个视图的图像都作为输入，整体网络架构分为CC和MLO两个分支，训练权重在L-CC/R-CC和L-MLO/R-MLO之间共享，预测结果是分支之间的平均值。测试最好的结果可以获得与放射科医生读片结果相同的AUC和PRAUC。
将卷积神经网络应用于乳腺癌检测时也会遇到一些挑战[15]，如：训练数据集有限，用于乳腺图像研究的公共数据集并不多，很多文献中所使用的数据为私有数据或非公开数据集；另外，针对我国与西方女性在体质上的差异，也迫切需要一个适用于我国女性乳腺癌研究的数据集；将大型的乳腺图像调整为224times;224或227times;227（研究人员的常见选择）可能会使ROI难以检测或分类，为了解决这个问题，一些研究提出了使用不同尺度训练卷积神经网络模型的想法；与传统的计算机辅助诊断方法相比，卷积神经网络具有更好的性能，但是仍然会导致误报。假阳性结果会导致患者不必要的焦虑，额外的检查和费用，因此改进方法来改进神经网络预测的假阳性问题也是非常重要的。
综上可见，深度学习在计算机辅助乳腺癌诊断领域已经成了主流方法，检测准确率较高，对乳腺癌的筛查诊断具有重要的临床意义。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
