本研究的作者包括Adyasha Sahu（印度国立理工学院鲁尔克拉分校电子与通信工程系）、Pradeep Kumar Das（韦洛尔理工学院电子工程学院）和Sukadev Meher（印度国立理工学院鲁尔克拉分校电子与通信工程系）。该研究发表于期刊 Biomedical Signal Processing and Control 2024年第87卷，文章编号105377。
乳腺癌是全球女性死亡的第二大原因，早期准确检测对治疗至关重要。传统的乳腺癌检测依赖人工诊断，存在成本高、耗时长且易出错的问题。近年来，计算机辅助诊断（CAD, Computer-Aided Design）系统结合深度学习技术，显著提升了乳腺癌检测的效率和准确性。然而，医学影像数据集通常规模较小，限制了深度学习模型的性能。为此，本研究提出了一种基于迁移学习（Transfer Learning, TL）的集成分类器，结合多种深度学习模型，以提高小数据集下的乳腺癌检测性能。
研究使用了三种公开数据集：
- Mini-DDSM：包含9684张乳腺X光图像，本研究选取了600张（200正常、200良性、200恶性）。
- BUSI：包含780张超声图像，本研究选取了390张（130正常、130良性、130恶性）。
- BUS2：包含250张超声图像，本研究选取了200张（100良性、100恶性）。
预处理阶段采用拉普拉斯高斯改进高增强滤波（LOG-MHBF, Laplacian of Gaussian-based Modified High-Boosting Filter），通过结合拉普拉斯算子（边缘增强）和高斯滤波（降噪），提升图像质量。具体公式为：
[ P_m(i, j) = Im(i, j) + k \cdot L{gf}(i, j) ]
其中，( L_{gf}(i, j) ) 是拉普拉斯高斯滤波输出，( k=1.5 )，高斯核大小为7×7。
研究提出了一种集成分类器，结合以下三种迁移学习模型：
1. AlexNet：包含5个卷积层和3个全连接层，使用ReLU激活函数和Dropout防止过拟合。
2. ResNet18：通过残差连接（Skip Connection）解决深层网络的梯度消失问题。
3. MobileNetV2：采用深度可分离卷积（Depthwise Separable Convolution）和倒置残差结构（Inverted Residual Bottleneck），显著降低计算复杂度。
集成策略采用多数投票法（Majority Voting），即综合三个模型的预测结果，选择得票最高的类别作为最终输出。
研究分为两个阶段：
1. 异常检测：区分正常与异常（良性+恶性）图像。
2. 恶性检测：在异常图像中区分良性与恶性。
采用10折交叉验证（10-Fold Cross-Validation）评估模型性能，指标包括准确率（Accuracy）、灵敏度（Sensitivity）、特异性（Specificity）、F1分数（F1 Score）和AUC（Area Under Curve）。
与其他迁移学习模型（如VGG19、InceptionV3）相比，本研究的集成方法在各项指标上均表现最优。
本研究为小规模医学影像数据的深度学习应用提供了新思路，未来可扩展至其他癌症的早期检测领域。此外，提出的集成框架可结合稀疏学习（Sparse Learning）或元启发式算法（Meta-Heuristic Algorithms）进一步优化性能。