乳腺癌是发病率与死亡率最高的女性疾病之一。乳腺癌检测与诊断有多种方式,其中基于病理图像的活检是乳腺癌的首要检测方式。为了提高乳腺癌诊断准确率,减少诊断时间,避免医生误诊漏诊问题,基于人工智能的计算机辅助检测与诊断系统成为研究热点,其中对乳腺病理学图像的辅助分类大大提高了乳腺癌的检出率。深度学习克服了传统分类方法需要手工提取病灶特征的缺点,自主学习到乳腺癌病灶区域的特征。本文研究了结合视觉注意力机制与深度迁移学习的乳腺癌图像分类深度学习模型,论文的主要工作和创新点如下:1.针对乳腺组织病理学图像样本量少而造成训练困难、图像级别分类难以聚焦病灶区域、分类效果难以适应高标准的临床需求的问题,提出了基于注意力机制与深度迁移学习的双模型融合分类模型。深度迁移学习方法将通用特征迁移至乳腺癌图像分类任务当中,利用VGG16与Res Net50的预训练网络作为特征提取器提取浅层特征,通过模型微调方式对乳腺癌图像进行特征迁移实验,提高网络训练效率与分类效果。然后引入空间注意力与通道注意力,提取乳腺病灶区域信息以增强特征描述。最后软投票算法融合两个分类器的类概率预测向量得到最终分类结果。模型二分类准确率达到99.45%,八分类准确率达到94.11%,并且在精度、召回率等多指标上都优于一些现有乳腺癌图像分类算法。2.针对一次迁移的分类模型出现的不相似领域负迁移现象、无法充分提取乳腺组织高层次语义信息、八亚型分类结果不够理想等问题,提出了结合残差视觉注意力机制与空间金字塔池化的二次迁移融合分类模型。中心思想是通过乳腺组织病理学数据集BACH作为中间域,使得网络具有乳腺图像先验知识,再将经过了一次迁移的预训练模型二次迁移至目标域中,避免了源域与目标域差距较大造成的负迁移现象,运用了公开数据集的通用特征与乳腺病理学高层特征;在残差模块的基础上引入通道注意力子模块和加入扩张卷积的空间注意力子模块,在缓解模型训练压力的同时能够学习到更复杂的高频信息。在网络末端加入金字塔池化模块用于捕获不同感受野下的全局信息,充分学习在不同放大倍率下的多尺度特征。实验结果表明结合残差注意力模块与空间金字塔池化的二次迁移分类模型的分类能力更强,二分类准确率达到99.65%,八分类准确率达到95.68%。