摘 要

乳腺癌的发病率和死亡率在女性癌症中均位列前五，乳腺癌的筛查对女性癌症的防治具有重要意义。临床上受各种因素影响，医生难以精准快速地对乳腺癌作出诊断。本文通过ResNet101模型实现了对乳腺癌医疗病理切片的图像识别分类，有效提升对医疗病理切片图像诊断的准确率和效率。

本文通过ResNet模型的残差结构有效解决了梯度下降的问题，通过L1、L2正则化和Dropout处理改善过拟合现象，合理设置ResNet101模型的参数从而精确地实现了对不同来源、不同尺寸、不同放大倍数、不同类型的乳腺癌医疗病理切片的图像识别分类。

本文最终总结并分析了实验模型的优点与不足之处，讨论了将进化算法与ResNet模型相结合的ResNet模型改良方案。

关键词：乳腺癌；ResNet模型；图像识别分类；进化算法

Abstract

The incidence rate and mortality rate of breast cancer are the top five in female cancer, so the screening of breast cancer is of great significance to the prevention and treatment of female cancer it is difficult for doctors to diagnose breast cancer accurately and quickly. In this paper, ResNet 101 model is used to realize the image recognition and classification of breast cancer medical pathological sections, effectively improving the accuracy and efficiency of image diagnosis of medical pathological sections.

In this paper, the residual structure of ResNet model is used to solve the problem of gradient descent effectively. Through L1, L2 regularization and dropout processing, the over fitting phenomenon is improved, and the parameters of ResNet101 model are set reasonably, so that the image recognition and classification of different sources, different sizes, different magnification and different types of breast cancer medical pathological sections can be realized accurately.

Finally, this paper summarizes and analyzes the advantages and disadvantages of the experimental model, and discusses the improved scheme of ResNet model which combines evolutionary algorithm with ResNet model.

Keywords: Breast cancer, ResNet model, image recognition classification, evolutionary algorithm Layout Technology

目录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 2

1.3 论文研究内容与章节安排 3

第2章 深度学习基础知识 4

2.1 引言 4

2.2卷积神经网络的基本构成 4

2.2.1 输入层 4

2.2.2 卷积层 4

2.2.3 激励层 5

2.2.4 池化层 7

2.2.5全连接层 7

2.2.6输出层 7

2.3卷积神经网络的特点 7

2.3.1局部连接 7

2.3.2权值共享 8

2.4 卷积神经网络的经典模型 8

2.4.1 LeNet-5网络模型 8

2.4.2 AlexNet网络模型 9

2.4.3 ResNet网络模型 10

第3章 基于ResNet101模型的图像识别分类设计 13

3.1 ResNet101模型的搭建 13

3.1.1 ResNet101模型的参数设置 13

3.1.2 ResNet101模型数据的输入 14

3.2 图像识别分类实验 14

3.2.1 图像数据集 14

3.2.2 软件及硬件平台 15

3.2.3 图像识别分类流程 16

3.2.4 实验结果分析 17

第4章 总结 19

4.1 本文工作总结 19

4.2 工作展望 19

参考文献 20

附 录 21

致 谢 22

第1章 绪论

1.1 研究背景及意义

最新数据显示，中国每年均有几百万新发癌症病例，预防和治疗癌症已成为我国不容忽视的社会医疗问题. 在社会都市化的过程中，男性患癌症的发病率逐渐得到控制，然而女性患癌症的发病率却逐渐升高。

最新研究表面，在女性癌症中的发病率第一名和死亡率的第五名都是乳腺癌。乳腺癌可分期成四个阶段：隐匿期，早期、中期和晚期。对无症状乳腺癌女性患者进行筛查，可实现对乳腺癌的尽早诊断和治疗，从而减轻乳腺癌对患者的伤害。研究表明，对乳腺癌的筛查和分期诊断越早，乳腺癌临床早期死亡率越低。在临床诊断中，医生将医疗病理切片图像作为乳腺癌患者确诊的关键依据，同时对医疗病理切片图像的正确判断是制定治疗方案的前提。因此乳腺癌医疗病理切片图像的精确分期和分类识别具有重要意义。

医疗病理切片图像的诊断具有一定的主观性，不同阅历和状态的医生对同一病理切片可能有不同的诊断结果，矛盾的诊断意见可能会延误治疗的时机和治疗方案的确定。此外，诊断结果还受设备型号、切片选择区域、放大倍数等因素的影响，所以医生做出快速准确的判断需要外界诊断辅助系统的协助。

本研究基于深度学习实现了一个医疗病理切片图像癌症识别模型，从而帮助提升对医疗病理切片图像诊断的准确率和效率。通过现有的进行深度学习的经典图像识别模型，对模型进行了参数设置和微调，最后成功实现了模型对医疗病理切片图像更好地进行特征提取，生成了更具代表性的特征图，对医疗病理切片图像的分类取得了更高的准确率，满足了临床辅助诊断的要求，可以为医生的诊断提出可靠意见，有效减少因各种因素所造成的误诊等错误。

1.2 国内外研究现状