moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.51.4.006 1962 Гибридный подход к улучшению классификации рака молочной железы с использованием ResNet-34 с усилением внимания и SVM A hybrid approach for enhancing breast cancer classification using attention-enhanced ResNet-34 with SVM Алсаджер Хуссейн Alsajer Hussein h.sajerov@gmail.com aff-1 0000-0001-9419-2282 Филиппович Юрий Николаевич Filippovich Yuri y_philippovich@mail.ru aff-2 Московский политехнический университет Moscow Polytechnic University Московский политехнический университет Moscow Polytechnic University 01 01 2026 1 1 10.26102/2310-6018/2025.51.4.006 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

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.

Breast cancer remains one of the leading causes of death among women worldwide, and microcalcifications on mammograms play a key role in the early detection of malignant neoplasms. Despite significant progress in the field of computer-aided analysis of medical images, accurate automatic classification of microcalcifications remains a challenge due to the high variability of their morphology and visual features. Microcalcifications, small calcium deposits that appear as bright point structures on mammograms, play an important role in the early detection of the disease. In this paper, we propose a novel hybrid model combining the ResNet-34 architecture supplemented with a convolutional block attention module (CBAM) and a support vector machine (SVM) classifier with a radial basis kernel. The attention module allows us to highlight the most informative spatial regions and feature channels, while the SVM provides high generalization ability even with a limited amount of data. Experiments on the CBIS-DDSM dataset showed that the proposed approach outperforms both the standard ResNet-34 and its hybrid with SVM in accuracy, sensitivity, specificity, and noise robustness. The proposed model achieves 97.47 % accuracy, 96.56 % sensitivity, and 95.17 % specificity, while ResNet-34 achieves 91.63 %, 92.80 %, and 92.87 %, and ResNet-34 with SVM achieves 96.75 %, 94.10 %, and 95.20 %, respectively.

 рак молочной железы микрокальцификаты глубокое обучение машинное обучение гибридная модель CNN Resnet-34-SVM breast cancer microcalcifications deep learning machine learning hybrid model CNN Resnet-34-SVM Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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

The authors declare that there are no conflicts of interest present.