使用图卷积网络和剪枝的DenseNet121进行乳腺癌分类

KAVITHA S. J., SRIDEVI S.

(Department of Computer Science and Engineering, Vels Institute of Science Technology & Advanced Studies, Chennai 600117, Tamil Nadu, India)

摘要：乳腺癌仍为全球范围内，尤其是女性中的一项重大健康负担，这需要精确易用的诊断系统以实现早期检测和干预。尽管医疗技术取得了进步，但仍有诸如高维度、变异性和复杂性等挑战。因此，本研究提出了一种新颖的方法，将DenseNet121架构与图卷积网络（GCN）相结合，用于乳腺癌分类。该方法结合了预训练DenseNet121模型、剪枝技术和带有跨空间滤波器（CSF）图卷积网络的优点。DenseNet121用于特征提取，而剪枝则提高了效率并防止过拟合。图卷积网络从数据中捕获结构和语义信息，跨空间滤波器则有助于正则化。此外，通过有效整合图拓扑和节点属性的信息，跨空间滤波器的融入增强了模型性能。所提的方法使用BreakHis数据集进行了训练和评估，该数据集是通过对组织病理学图像进行乳腺癌分类的广泛认可的资源。通过利用包括精确度、召回率、F1-score、AUC、MCC和准确度在内的多种性能指标，将所提出的方法与现有模型进行了比较，以评估其有效性。结果表明：特别是与跨空间滤波器结合时，所提的方法优于现有方法，展示了其作为准确且可解释的乳腺癌诊断先进工具的潜力。

关键词：乳腺癌分类，剪枝，图卷积网络，DenseNet121，正则化

点击分享码全文pdf浏览： https://rdcu.be/epdGi

Kavitha, S.J., Sridevi, S. Breast Cancer Classification Using Graph Convolutional Networks and DenseNet121 with Pruning. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2826-4