基于SENet多路網(wǎng)絡(luò)的乳腺癌轉(zhuǎn)移檢測(cè)

劉琳琳，葉 強(qiáng)，何靈敏

中國計(jì)量大學(xué) 信息工程學(xué)院，杭州310018

乳腺癌是全世界婦女中最常見和最致命的癌癥之一[1]。雖然乳腺癌患者的預(yù)后情況總體較好，5年平均生存率為90%，10年平均生存率為83%，但當(dāng)乳腺癌轉(zhuǎn)移時(shí)，預(yù)后會(huì)明顯惡化[2]。淋巴結(jié)轉(zhuǎn)移是影響乳腺癌患者預(yù)后的關(guān)鍵因素之一。臨床上前哨淋巴結(jié)病理切片的檢查結(jié)果作為最準(zhǔn)確可靠的“金標(biāo)準(zhǔn)”[3-4]，在臨床和科研上有著重要的作用。

但前哨淋巴結(jié)組織內(nèi)往往存在較小的微轉(zhuǎn)移[5]，甚至是小到單個(gè)癌細(xì)胞的轉(zhuǎn)移，診斷工作量較大。對(duì)于前哨淋巴結(jié)，必須檢查至少3個(gè)不同水平的淋巴結(jié)切片[6-7]。因此傳統(tǒng)病理醫(yī)生診斷過程是冗長費(fèi)時(shí)的，且極易錯(cuò)過較小的微轉(zhuǎn)移病灶。許多學(xué)者研究了傳統(tǒng)機(jī)器學(xué)習(xí)算法在全視野數(shù)字化切片（Whole Slide Image，WSI）[8]中的應(yīng)用[9-11]，但傳統(tǒng)的機(jī)器學(xué)習(xí)算法多應(yīng)用于小型數(shù)據(jù)集，且通常采用人工特征提取的方法，難以提取出有區(qū)分性的、高質(zhì)量的特征。

近年來深度學(xué)習(xí)廣泛用于病理學(xué)圖像的研究中[12-13]，目前已有使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）對(duì)乳腺癌病理圖像進(jìn)行的相關(guān)研究[14-15]。Spanhol等人[16]基于AlexNet卷積網(wǎng)絡(luò)，對(duì)BreaKHis數(shù)據(jù)集進(jìn)行分類，準(zhǔn)確率比傳統(tǒng)機(jī)器學(xué)習(xí)算法高出6%。Bayramoglu等人[17]采用基于放大倍數(shù)獨(dú)立的卷積網(wǎng)絡(luò)對(duì)BreaKHis數(shù)據(jù)集進(jìn)行分類，其準(zhǔn)確率約83%。Deniz等人[18]通過微調(diào)預(yù)訓(xùn)練好的AlexNet網(wǎng)絡(luò)，對(duì)乳腺癌的組織病理學(xué)圖片進(jìn)行分類，結(jié)果證明遷移學(xué)習(xí)比支持向量機(jī)[19]的識(shí)別效果更好。Litjens等人[20]證明使用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)淋巴結(jié)中的癌癥轉(zhuǎn)移是可行的。Liu等人[21]利用卷積神經(jīng)網(wǎng)絡(luò)在Camelyon16數(shù)據(jù)集上取得了92.4%的準(zhǔn)確率。Veeling等人[22]公開了PCam數(shù)據(jù)集，證明了WSI圖像具有旋轉(zhuǎn)對(duì)稱和反射對(duì)稱的特性，并使用旋轉(zhuǎn)等效CNN網(wǎng)絡(luò)進(jìn)行測(cè)試。

雖然目前利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)已經(jīng)取得了諸多成果，但仍存在一些問題：（1）已有研究的數(shù)據(jù)集多為乳腺本身的病理圖像，缺乏對(duì)乳腺前哨淋巴結(jié)轉(zhuǎn)移病理圖像的研究；（2）已有研究中模型往往對(duì)癌細(xì)胞宏觀轉(zhuǎn)移檢測(cè)效果較好，但對(duì)較小的微轉(zhuǎn)移檢測(cè)效果較差，導(dǎo)致整體檢測(cè)準(zhǔn)確率偏低。

針對(duì)以上問題，本文基于乳腺癌前哨淋巴結(jié)病理圖像數(shù)據(jù)集（PCam），設(shè)計(jì)提出了SENet[23]多路卷積神經(jīng)網(wǎng)絡(luò)模型，用于檢測(cè)前哨淋巴結(jié)病理圖像中是否存在乳腺癌細(xì)胞轉(zhuǎn)移。本文主要貢獻(xiàn)如下：

（1）基于全新的乳腺癌前哨淋巴結(jié)病理圖像數(shù)據(jù)集（PCam）進(jìn)行研究，可檢測(cè)乳腺癌細(xì)胞在前哨淋巴結(jié)中的轉(zhuǎn)移情況，對(duì)及時(shí)診斷乳腺癌病情、確定治療方案有一定的現(xiàn)實(shí)意義。

（2）設(shè)計(jì)提出了新的網(wǎng)絡(luò)模型。模型使用堆疊卷積單元的結(jié)構(gòu)以及跨層跳躍連接（Skip Connection）的方式，可以不使用池化操作，從而增加網(wǎng)絡(luò)的表征深度；擁有更多的非線性變換，可以加強(qiáng)模型對(duì)特征的學(xué)習(xí)能力；可以減少參數(shù)的數(shù)量。

（3）設(shè)計(jì)了SENet多路卷積單元。卷積單元內(nèi)使用標(biāo)準(zhǔn)卷積（Convolution）與深度可分離卷積（Depthwise Separable Convolution）[24]，分兩路進(jìn)行卷積操作，獲取不同粒度特征圖譜；后通過加和（Add）和串聯(lián)（Concatenate）操作將特征圖譜進(jìn)行組合，獲取更豐富、更高維度的特征信息來表征圖像，防止遺漏較小的特征區(qū)域。同時(shí)在卷積單元內(nèi)加入SENet注意力模塊，可使網(wǎng)絡(luò)學(xué)習(xí)利用全局信息執(zhí)行特征重新校準(zhǔn)，從而增強(qiáng)整個(gè)網(wǎng)絡(luò)的表示能力。

1 方法

1.1 總體網(wǎng)絡(luò)模型設(shè)計(jì)

本研究設(shè)計(jì)全新的卷積神經(jīng)網(wǎng)絡(luò)模型（見圖1），模型使用堆疊多路卷積單元（見圖2）的結(jié)構(gòu)和跨層跳躍連接的方式。多路卷積單元內(nèi)使用標(biāo)準(zhǔn)卷積與深度可分離卷積、加和操作與串聯(lián)操作組合、SENet模塊等組合而成。

圖1 多路卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 Multi-channel convolutional neural network model structure

圖2 多路卷積單元結(jié)構(gòu)Fig.2 Multi-channel convolution unit structure

網(wǎng)絡(luò)模型中堆疊使用3個(gè)多路卷積單元，每個(gè)卷積單元采用上述方式組合而成，卷積單元內(nèi)分兩路進(jìn)行：A路做深度可分離卷積操作獲取特征圖譜，通過跨層跳躍連接與下一層卷積單元A路進(jìn)行串聯(lián)操作；B路做標(biāo)準(zhǔn)卷積操作和SENet模塊獲取特征圖譜，作為下一層卷積單元B路的輸入；A、B兩路獲取的特征圖譜進(jìn)行串聯(lián)操作作為下一層卷積單元A路的輸入。該網(wǎng)絡(luò)模型可以獲得更高維度和更加豐富的特征數(shù)據(jù)用以表征圖像，有效避免在訓(xùn)練過程中模型易忽略較小微轉(zhuǎn)移特征區(qū)域的情況，提高整體檢測(cè)的準(zhǔn)確率。

1.2 多路卷積單元設(shè)計(jì)

1.2.1標(biāo)準(zhǔn)卷積與深度可分離卷積

本文將兩種類型的卷積進(jìn)行融合，以獲得更高維度和不同粒度的特征數(shù)據(jù)表征圖像。標(biāo)準(zhǔn)卷積是每個(gè)卷積核與輸入圖片的區(qū)域和通道同時(shí)進(jìn)行操作，實(shí)現(xiàn)通道相關(guān)性和空間相關(guān)性的聯(lián)合映射；設(shè)前哨淋巴結(jié)病理圖像的輸入特征F的尺寸為(DF,DF,M)，采用標(biāo)準(zhǔn)卷積核K為(DK,DK,M,N),輸出的特征G的尺寸為(DG,DG,N),DF與DG為每個(gè)通道的區(qū)域尺寸，M與N為通道數(shù)。標(biāo)準(zhǔn)卷積的操作如圖3（a）所示，其計(jì)算公式為：

深度可分離卷積是將標(biāo)準(zhǔn)卷積分為逐點(diǎn)卷積和深度卷積，即卷積核進(jìn)行區(qū)域卷積提取區(qū)域特征后，再進(jìn)行1×1的通道卷積，從而實(shí)現(xiàn)區(qū)域相關(guān)性和通道相關(guān)性的分開映射。設(shè)前哨淋巴結(jié)病理圖像的輸入特征F的尺寸為(DF,DF,M)，深度卷積核尺寸為(DK,DK,1,M),輸出特征為(DG,DG,M)；逐點(diǎn)卷積負(fù)責(zé)轉(zhuǎn)換通道，卷積核尺寸為(1,1,M,N)，輸出特征為(DG,DG,N)，深度可分離卷積的操作如圖3（b）所示，其計(jì)算公式為：

圖3 卷積方式Fig.3 Convolution method

深度可分離卷積的參數(shù)量和計(jì)算量約為標(biāo)準(zhǔn)卷積操作的1/9，且只會(huì)損失很小的精度。

1.2.2加和操作與串聯(lián)操作

加和操作是兩特征圖譜在同一維度數(shù)值的疊加，即描述圖像特征的每一維信息量增加，但是描述圖像的維度沒有增加；該操作可避免模型忽略微小的特征區(qū)域，避免遺漏病理圖像中較小的微轉(zhuǎn)移組織。串聯(lián)操作是兩特征圖譜作通道數(shù)的合并，即描述圖像本身的特征維度增加，但描述圖像特征的每一維信息量沒有增加；該操作可級(jí)聯(lián)不同粒度的特征信息，多粒度特征有利于圖像準(zhǔn)確分類。圖4為第一個(gè)卷積單元內(nèi)，病理圖像經(jīng)過卷積后進(jìn)行的加和及串聯(lián)操作進(jìn)行信息融合的示意圖。

圖4 加和及串聯(lián)操作Fig.4 Operation of add and concatenate

假設(shè)兩路輸入的通道數(shù)據(jù)分別為X1,X2,…,Xc和Y1,Y2,…,Yc，卷積核為Ki，?表示卷積運(yùn)算，則加和操作計(jì)算公式為：

串聯(lián)操作計(jì)算公式為：

1.3 SENet模塊

本文通過加入SENet網(wǎng)絡(luò)模塊作為注意力機(jī)制，顯式地建模通道之間的相互依賴關(guān)系，重新自適應(yīng)地校準(zhǔn)通道式的特征響應(yīng)。模塊主要包含全局信息嵌入（Squeeze）和自適應(yīng)重新校正（Excitation）兩個(gè)關(guān)鍵部分，可使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)利用全局信息執(zhí)行特征重新校準(zhǔn)，來選擇性地強(qiáng)調(diào)重要的特征并抑制不重要的特征，增強(qiáng)整個(gè)網(wǎng)絡(luò)的表示能力。

1.3.1全局信息嵌入

Squeeze操作依據(jù)通道信息將空間維度進(jìn)行特征壓縮，即把全局空間信息壓縮成一個(gè)具有全局感受野的通道描述符，且輸出的維度和輸入的特征通道數(shù)相匹配，用于表征在特征通道上響應(yīng)的全局分布。統(tǒng)計(jì)信息z∈Rc是通過在空間維度W×H上壓縮生成的，其中z的第c個(gè)元素通過下式計(jì)算：

式中，F(xiàn)sq(?)為壓縮操作，uc為第c個(gè)特征。

1.3.2自適應(yīng)重新校正

Excitation操作以捕捉通道的依賴關(guān)系為目的，通過學(xué)習(xí)顯式地建模特征通道間的相關(guān)性，為每個(gè)特征通道生成權(quán)重。該操作需要捕捉通道之間的非線性相互作用關(guān)系，同時(shí)為防止模型變得復(fù)雜和提高泛化性需設(shè)置兩層全連接層。故Excitation操作主要由兩個(gè)全連接（FC）層和兩個(gè)激活函數(shù)組成，表示為：

式中，F(xiàn)ex(?)為激勵(lì)操作，為Sigmod激活函數(shù)，δ(x)=max(0,x)為ReLU激活函數(shù)；sk∈RH×W(k=1,2,…,c),S={s1,s2,…,sc}；降維層參數(shù)升維層參數(shù)

最終的輸出通過輸入通道與各自的權(quán)值相乘得：

式中，X?=[ ]x?1,x?2,…,x?c,,Fscale(uc,sc)指 的 是 特 征 映 射uc∈RH×W和標(biāo)量sc之間的對(duì)應(yīng)通道乘積。

1.4 跨層跳躍連接

跳躍連接可以融合多層高層語義特征信息和低層特征圖的細(xì)節(jié)信息，能夠更好地提取不同尺度物體對(duì)應(yīng)的特征信息。同時(shí)卷積神經(jīng)網(wǎng)絡(luò)層數(shù)越深，則模型表征能力越強(qiáng)，性能越好，但是在通過反向傳播進(jìn)行參數(shù)更新、最小化損失函數(shù)時(shí)，會(huì)產(chǎn)生梯度消失問題。這是因?yàn)榉聪騻鞑ナ褂面準(zhǔn)椒ǎ枰M(jìn)行一系列的連乘運(yùn)算，導(dǎo)致淺層隱層網(wǎng)絡(luò)梯度出現(xiàn)劇烈的衰減造成的。因此，本文在卷積單元間使用跳躍連接進(jìn)行跨層連接（見圖2（b）中虛線）解決此問題，計(jì)算公式為[25]：

式中，hi表示第i層特征輸入，hi+1表示輸出，F(xiàn)表示殘差函數(shù)，θi表示權(quán)重。

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 數(shù)據(jù)集描述

本文采用數(shù)據(jù)集PCam（PatchCamelyon）[21-22]，該數(shù)據(jù)集是在10倍物鏡，2.43 μm像素分辨率下，對(duì)整張H&E染色的前哨淋巴結(jié)切片圖像進(jìn)行采樣，提取到327 680張RGB三通道96×96像素的彩色圖像。每個(gè)圖像注有0或1的標(biāo)簽：標(biāo)簽為1表示陽性樣本標(biāo)記，表示圖像32×32像素的中心區(qū)域至少有一個(gè)腫瘤組織像素（即存在癌細(xì)胞轉(zhuǎn)移），如圖6所示。

圖6 PCam數(shù)據(jù)集部分圖像Fig.6 Partial images of PCam dataset

為了提高模型對(duì)未知圖像的泛化性能，本文應(yīng)用了以下圖像增強(qiáng)方法：水平旋轉(zhuǎn)、垂直旋轉(zhuǎn)、圖像縮放80%~110%、每邊裁剪0~25%、平移-20%~+20%、剪切-18~+18、旋轉(zhuǎn)-45°~+45°、銳化0~1.0、浮雕0~1.0、高斯模糊0~3.0、局部模糊2~7。

2.2 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)使用的環(huán)境如下：處理器為Intel?Xeon?CPU E5-2630 v4@2.20 GHz；內(nèi)存（RAM）128 GB；獨(dú)立顯卡為GeForce GTX Titan X；系統(tǒng)類型為64位Ubuntu16.04；開發(fā)工具為Python 3.6，Keras框架。

2.3 訓(xùn)練策略

網(wǎng)絡(luò)的訓(xùn)練初始學(xué)習(xí)率設(shè)置為0.1，衰減率為0.1，優(yōu)化器為Adam，動(dòng)量為0.9，損失函數(shù)為Binary Crossentropy，迭代次數(shù)為35次。圖像數(shù)據(jù)集被隨機(jī)分為三部分：50%作訓(xùn)練集，25%作驗(yàn)證集，25%作測(cè)試集。其中訓(xùn)練集用于訓(xùn)練以獲取權(quán)重和參數(shù)；驗(yàn)證集用于驗(yàn)證效果調(diào)整參數(shù)，在訓(xùn)練過程中使用模型對(duì)驗(yàn)證集數(shù)據(jù)進(jìn)行預(yù)測(cè)，根據(jù)驗(yàn)證集結(jié)果進(jìn)行微調(diào)，以選出結(jié)果最優(yōu)的模型所對(duì)應(yīng)的參數(shù)和激活函數(shù)；測(cè)試集用于測(cè)試模型的檢測(cè)精度與泛化性能。

圖5 SENet模塊網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Network structure of SENet module

2.4 評(píng)價(jià)標(biāo)準(zhǔn)

2.4.1準(zhǔn)確率

準(zhǔn)確率是測(cè)試集中模型正確的分類樣本數(shù)占總樣本數(shù)的比例，反映了模型的預(yù)測(cè)分類能力，公式為：

式中，P表示陽性樣本數(shù)，N表示陰性樣本數(shù)，TP表示實(shí)際為陽性且被預(yù)測(cè)為陽性的數(shù)目，TN表示實(shí)際為陰性且被預(yù)測(cè)為陰性的數(shù)目。

2.4.2 ROC曲線和AUC值

使用ROC（Receiver Operating Characterisitc）曲線對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。ROC曲線無法定量分析，故使用曲線下的面積（Area Under ROC Curve，AUC）作評(píng)估指標(biāo)，公式為[26]：

式中，D+為所有陽性樣本的集合，x+為其中一個(gè)陽性樣本，D-為所有陰性樣本的集合，x-為其中一個(gè)陰性樣本，f(x)是模型對(duì)樣本x的預(yù)測(cè)結(jié)果，在0~1之間，W(x)僅在x為真時(shí)取1，否則取0。

3 結(jié)果及分析

本文模型訓(xùn)練過程中損失值變化情況如圖7所示。可見：前10次迭代訓(xùn)練過程以初始學(xué)習(xí)率0.1進(jìn)行，驗(yàn)證集損失值快速下降，效果較為明顯；之后的訓(xùn)練過程中，損失值發(fā)生小幅度上升，表明在該學(xué)習(xí)率下模型已經(jīng)達(dá)到局部最優(yōu)，故學(xué)習(xí)率衰減為0.01繼續(xù)訓(xùn)練；迭代至34次時(shí)，網(wǎng)絡(luò)逐漸收斂趨于穩(wěn)定，模型達(dá)到最優(yōu)。利用訓(xùn)練后的模型對(duì)測(cè)試集中圖像進(jìn)行測(cè)試，實(shí)驗(yàn)的精度值可達(dá)到97.32%，ROC曲線的AUC值為98.05%（見圖8）。

圖7 訓(xùn)練過程中損失值變化情況Fig.7 Change of loss value during training

圖8 測(cè)試集ROC曲線及AUC值Fig.8 ROC curve and AUC value of test set

為評(píng)估該模型的檢測(cè)性能，分別與已有研究成果和主流卷積神經(jīng)網(wǎng)絡(luò)模型在相同實(shí)驗(yàn)環(huán)境下，對(duì)相同的測(cè)試集進(jìn)行對(duì)比實(shí)驗(yàn)。同時(shí)為避免模型過擬合，以得到泛化能力好的模型，設(shè)置49%、51%、100%的測(cè)試集分別進(jìn)行測(cè)試。結(jié)果見表1，表內(nèi)數(shù)據(jù)為各模型對(duì)不同比例的測(cè)試集進(jìn)行測(cè)試獲得的AUC值。由表1可知，在不同比例的測(cè)試集上，本文模型預(yù)測(cè)的AUC值均高于其他模型，表明該模型具有較好的檢測(cè)性能，且模型在不同比例的測(cè)試集情況下測(cè)試結(jié)果相近，表明模型的泛化性能較好。

表1 本文模型與其他模型對(duì)比實(shí)驗(yàn)結(jié)果Table 1 Results of model compared with other models

選取部分陽性樣本，繪制其類激活映射（Class Activation Mapping，CAM）圖[27]，如圖9所示。通過CAM圖可確定模型所關(guān)注的圖像具體特征區(qū)域，即圖像中高亮顯示的區(qū)域?yàn)槟Ｐ蜋z測(cè)到的乳腺癌轉(zhuǎn)移組織所在區(qū)域。

圖9 原始圖與CAM激活圖Fig.9 Original images and class activation mappings

為探究本文模型的檢測(cè)機(jī)理以及各模塊的檢測(cè)效果，通過設(shè)置不同的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)測(cè)試集中圖像進(jìn)行測(cè)試，結(jié)果如表2所示。

表2 不同網(wǎng)絡(luò)結(jié)構(gòu)的對(duì)比實(shí)驗(yàn)結(jié)果Table 2 Comparison of results of different network structures

由表2中數(shù)據(jù)可分析：在SENet模塊方面，本文模型中SENet模塊和多路網(wǎng)絡(luò)的設(shè)計(jì)，可以有效提高模型的檢測(cè)性能。在卷積單元的數(shù)量上，設(shè)置為3個(gè)可達(dá)到最好效果，若卷積單元數(shù)量較少，卷積網(wǎng)絡(luò)較淺，則無法高度概括圖像和獲取圖像的特征信息，造成檢測(cè)精度較低；而卷積單元超過3個(gè)以后，檢測(cè)精度反而下降，這可能是由于網(wǎng)絡(luò)層數(shù)的加深，對(duì)圖像特征信息進(jìn)行高度概括，導(dǎo)致對(duì)特征區(qū)域較小的微轉(zhuǎn)移檢測(cè)效果較差甚至忽略，從而導(dǎo)致模型在測(cè)試過程中整體的預(yù)測(cè)精度下降。

進(jìn)一步探究本文模型對(duì)特征區(qū)域較小的微轉(zhuǎn)移情況的檢測(cè)效果，選取存在有多個(gè)微轉(zhuǎn)移病灶的病理圖像，在相同訓(xùn)練條件下，使用不同的模型和結(jié)構(gòu)進(jìn)行測(cè)試?yán)L制CAM激活圖，如圖10所示。

圖10 各模型對(duì)微轉(zhuǎn)移情況檢測(cè)效果Fig.10 Detection effect of each model for micrometastasis

由圖10中標(biāo)記的兩處矩形框區(qū)域可分析：已有的ResNet50、GDenseNet等網(wǎng)絡(luò)模型對(duì)微轉(zhuǎn)移情況檢測(cè)效果不佳。多路無SENet和單路加SENet兩種結(jié)構(gòu)可以識(shí)別出部分微轉(zhuǎn)移區(qū)域。本文模型使用多路SENet的結(jié)構(gòu)，可以更為詳盡、準(zhǔn)確地識(shí)別微轉(zhuǎn)移區(qū)域。這是由于卷積單元內(nèi)兩種卷積方式的加和、串聯(lián)操作，獲取了更高維度、多粒度的特征信息；SENet模塊作為注意力機(jī)制，可以突出重要的特征區(qū)域。通過多路卷積單元和SENet模塊的有機(jī)結(jié)合，使得本文模型對(duì)特征區(qū)域較小的微轉(zhuǎn)移也有很好的檢測(cè)效果。

4 結(jié)束語

本文基于乳腺癌前哨淋巴結(jié)病理圖像（PCam）數(shù)據(jù)集，設(shè)計(jì)提出了新的SENet多路卷積神經(jīng)網(wǎng)絡(luò)模型。模型堆疊使用SENet多路卷積單元和跨層跳躍連接的結(jié)構(gòu)進(jìn)行圖像特征提取和乳腺癌前哨淋巴結(jié)轉(zhuǎn)移檢測(cè)。

實(shí)驗(yàn)結(jié)果表明，本文模型對(duì)乳腺癌前哨淋巴結(jié)轉(zhuǎn)移有較好的檢測(cè)效果，對(duì)比目前已有研究和主流的卷積神經(jīng)網(wǎng)絡(luò)，檢測(cè)精度均有明顯的提升。同時(shí)探究了模型的檢測(cè)機(jī)理和對(duì)微轉(zhuǎn)移區(qū)域的檢測(cè)效果：由于多路卷積單元內(nèi)使用標(biāo)準(zhǔn)卷積與深度可分離卷積融合、加和操作與串聯(lián)操作組合、跳躍連接等方式，使得模型可以獲取更高維度、更豐富的多粒度圖像特征信息；SENet模塊可使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)利用全局信息執(zhí)行特征重新校準(zhǔn)，突出特征信息，避免忽略較小的微轉(zhuǎn)移特征區(qū)域，因此對(duì)乳腺癌的宏觀轉(zhuǎn)移與微轉(zhuǎn)移情況都有較好的檢測(cè)效果。

為進(jìn)一步提高模型檢測(cè)的準(zhǔn)確率，后續(xù)還有很多工作要做，例如：在數(shù)據(jù)集上，可增加訓(xùn)練樣本數(shù)量，對(duì)數(shù)據(jù)進(jìn)行擴(kuò)充，進(jìn)一步增強(qiáng)模型的泛化能力；在網(wǎng)絡(luò)模型上，可修改網(wǎng)絡(luò)結(jié)構(gòu)，增加其他注意力機(jī)制，進(jìn)一步提高模型對(duì)特征區(qū)域較小的微轉(zhuǎn)移情況的檢測(cè)精度。