Гибридный подход к улучшению классификации рака молочной железы с использованием ResNet-34 с усилением внимания и SVM

Рак молочной железы остается одной из ведущих причин смертности среди женщин во всем мире, при этом микрокальцификаты на маммограммах играют ключевую роль в раннем выявлении злокачественных новообразований. Несмотря на значительный прогресс в области компьютерного анализа медицинских изображений, точная автоматическая классификация микрокальцификатов остается сложной задачей, обусловленной высокой вариабельностью их морфологии и визуальных признаков. Микрокальцификаты – небольшие отложения кальция, проявляющиеся на маммограммах в виде ярких точечных структур, – играют важную роль в раннем выявлении заболевания. В работе предложена новая гибридная модель, сочетающая архитектуру ResNet-34, дополненную модулем сверточного блочного внимания (CBAM), и классификатор на основе метода опорных векторов (SVM) с радиально-базисным ядром. Модуль внимания позволяет выделять наиболее информативные пространственные области и каналы признаков, а SVM обеспечивает высокую обобщающую способность даже при ограниченном объеме данных. Эксперименты на наборе CBIS-DDSM показали, что предложенный подход превосходит как стандартную ResNet-34, так и ее гибрид с SVM по точности, чувствительности, специфичности и устойчивости к шумам. Предложенная модель достигает точности 97,47 %, чувствительности 96,56 % и специфичности 95,17 %, ResNet-34 – 91,63 %, 92,80 % и 92,87 % и ResNet-34 с SVM – 96,75 %, 94,10 %, 95,20 % соответственно.

1. Kim J., Harper A., McCormack V., et al. Global Patterns and Trends in Breast Cancer Incidence and Mortality Across 185 Countries. Nature Medicine. 2025;31:1154–1162. https://doi.org/10.1038/s41591-025-03502-3

2. Araújo T., Aresta G., Castro E., et al. Classification of Breast Cancer Histology Images Using Convolutional Neural Networks. PloS ONE. 2017;12(6). https://doi.org/10.1371/journal.pone.0177544

3. Atrey K., Singh B.K., Bodhey N.K., Pachori R.B. Mammography and Ultrasound Based Dual Modality Classification of Breast Cancer Using a Hybrid Deep Learning Approach. Biomedical Signal Processing and Control. 2023;86. https://doi.org/10.1016/j.bspc.2023.104919

4. Varshney T., Verma K., Kaur A., Puri S.K. Hybrid and Optimized Feature Fusion for Enhanced Breast Cancer Classification. Network Modeling Analysis in Health Informatics and Bioinformatics. 2025;14. https://doi.org/10.1007/s13721-025-00573-7

5. Khairandish M.O., Sharma M., Jain V., Chatterjee J.M., Jhanjhi N.Z. A Hybrid CNN-SVM Threshold Segmentation Approach for Tumor Detection and Classification of MRI Brain Images. IRBM. 2022;43(4):290–299. https://doi.org/10.1016/j.irbm.2021.06.003

6. Murty P.S.R.Ch., Anuradha Ch., Naidu P.A., et al. Integrative Hybrid Deep Learning for Enhanced Breast Cancer Diagnosis: Leveraging the Wisconsin Breast Cancer Database and the CBIS-DDSM Dataset. Scientific Reports. 2024;14. https://doi.org/10.1038/s41598-024-74305-8

7. Chugh G., Kumar Sh., Singh N. Survey on Machine Learning and Deep Learning Applications in Breast Cancer Diagnosis. Cognitive Computation. 2021;13(6):1451–1470. https://doi.org/10.1007/s12559-020-09813-6

8. Sarker I.H. Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science. 2021;2. https://doi.org/10.1007/s42979-021-00592-x

9. Yurdusev A.A., Adem K., Hekim M. Detection and Classification of Microcalcifications in Mammograms Images Using Difference Filter and YOLOv4 Deep Learning Model. Biomedical Signal Processing and Control. 2023;80. https://doi.org/10.1016/j.bspc.2022.104360

10. Resmini R., Silva L., Araujo A.S., Medeiros P., Muchaluat-Saade D., Conci A. Combining Genetic Algorithms and SVM for Breast Cancer Diagnosis Using Infrared Thermography. Sensors. 2021;21(14). https://doi.org/10.3390/s21144802

11. Jalloul R., Chethan H.K., Alkhatib R. A Review of Machine Learning Techniques for the Classification and Detection of Breast Cancer from Medical Images. Diagnostics. 2023;13(14). https://doi.org/10.3390/diagnostics13142460

12. Liao L., Aagaard E.M. An Open Codebase for Enhancing Transparency in Deep Learning-Based Breast Cancer Diagnosis Utilizing CBIS-DDSM Data. Scientific Reports. 2024;14. https://doi.org/10.1038/s41598-024-78648-0

13. Zarif S., Abdulkader H., Elaraby I., Alharbi A., Elkilani W.S., Pławiak P. Using Hybrid Pre-Trained Models for Breast Cancer Detection. PLoS ONE. 2024;19(1). https://doi.org/10.1371/journal.pone.0296912

14. Hernández-Vázquez M.A., Hernández-Rodríguez Ya.M., Cortes-Rojas F.D., Bayareh-Mancilla R., Cigarroa-Mayorga O.E. Hybrid Feature Mammogram Analysis: Detecting and Localizing Microcalcifications Combining Gabor, Prewitt, GLCM Features, and Top Hat Filtering Enhanced with CNN Architecture. Diagnostics. 2024;14(15). https://doi.org/10.3390/diagnostics14151691

15. Afrifa S., Varadarajan V., Appiahene P., Zhang T. A Novel Artificial Intelligence Techniques for Women Breast Cancer Classification Using Ultrasound Images. Clinical and Experimental Obsterics and Gynecology. 2023;50(12). https://doi.org/10.31083/j.ceog5012271

16. Guizani S., Guizani N., Gharsallaoui S. A Hybrid CNN-SVM Prediction Approach for Breast Cancer Ultrasound Imaging. In: 2023 International Wireless Communications and Mobile Computing (IWCMC), 19–23 June 2023, Marrakesh, Morocco. IEEE; 2023. P. 1574–1578. https://doi.org/10.1109/IWCMC58020.2023.10182874