Fine Needle Aspiration Cytology (FNAC) is a quick and minimally invasive technique used to diagnose breast cancer, specifically ductal carcinoma. The incidence of breast cancer (ductal carcinoma) is high among Indian women. Consequently, there is a volume burden on laboratories, primarily regional centers, for diagnosis. The pressure on laboratories and doctors to make a timely and correct diagnosis can be resolved by automating the process to an extent, especially where expertise is limited. Recent advances in Artificial Intelligence techniques on large and complex data have enabled better understanding in the domain of Computer-Aided Diagnosis, which helps both automate and digitize diagnosis. In this study, we have leveraged Convolutional Neural Networks (CNNs) to automate the diagnosis of ductal carcinoma in breast from images produced after FNAC is performed on breast tissue. We created a data set of FNAC images of breast lesions and extracted 1020 Region of Interest (RoI) patches from Giemsa-stained lesions and 631 RoI patches from H&E-stained lesions. The performance of various CNNs was tested on these patches. Three networks performed very well and have the potential to assist doctors in diagnosis. One of them was a light network we built—BFCNet (Breast FNAC Classification Network). It produced the highest average accuracies in the binary classification of Giemsa-stained patches (97.53%) and H&E-stained patches (96.59%). This network fits the data properly and performs well in other parameters.

细针穿刺细胞学（FNAC）是一种快速且微创的技术，用于诊断乳腺癌，特别是导管癌。印度妇女中乳腺癌（导管癌）的发生率很高。因此，实验室，主要是区域中心的诊断负担很大。通过在一定程度上实现流程自动化，可以解决实验室和医生进行及时正确诊断的压力，尤其是在专业知识有限的情况下。人工智能技术在处理大型和复杂数据方面的最新进展已使人们能够更好地理解计算机辅助诊断领域，这有助于自动化和数字化诊断。在这项研究中，我们利用卷积神经网络（CNN）从在乳腺组织上进行FNAC后产生的图像自动诊断乳腺导管癌。我们创建了乳腺病变的FNAC图像数据集，并从Giemsa染色的病变中提取了1020个感兴趣区域（RoI）斑块，并从H＆E染色的病变中提取了631个RoI斑块。在这些补丁上测试了各种CNN的性能。三个网络的表现非常好，并且有可能帮助医生进行诊断。其中之一是我们建立的轻型网络-BFCNet（乳腺癌FNAC分类网络）。在吉姆萨染色斑块（97.53％）和H＆E染色斑块（96.59％）的二元分类中，它产生了最高的平均准确度。该网络可以正确拟合数据，并在其他参数上表现良好。我们创建了乳腺病变的FNAC图像数据集，并从Giemsa染色的病变中提取了1020个感兴趣区域（RoI）斑块，并从H＆E染色的病变中提取了631个RoI斑块。在这些补丁上测试了各种CNN的性能。三个网络的表现非常好，并且有可能帮助医生进行诊断。其中之一是我们建立的轻型网络-BFCNet（乳腺癌FNAC分类网络）。在吉姆萨染色斑块（97.53％）和H＆E染色斑块（96.59％）的二元分类中，它产生了最高的平均准确度。该网络可以正确拟合数据，并在其他参数上表现良好。我们创建了乳腺病变的FNAC图像数据集，并从Giemsa染色的病变中提取了1020个感兴趣区域（RoI）斑块，并从H＆E染色的病变中提取了631个RoI斑块。在这些补丁上测试了各种CNN的性能。三个网络的表现非常好，并且有可能帮助医生进行诊断。其中之一是我们建立的轻型网络-BFCNet（乳腺癌FNAC分类网络）。在吉姆萨染色斑块（97.53％）和H＆E染色斑块（96.59％）的二元分类中，它产生了最高的平均准确度。该网络可以正确拟合数据，并在其他参数上表现良好。在这些补丁上测试了各种CNN的性能。三个网络的表现非常出色，并且有可能帮助医生进行诊断。其中之一是我们建立的轻型网络-BFCNet（乳腺癌FNAC分类网络）。在吉姆萨染色斑块（97.53％）和H＆E染色斑块（96.59％）的二元分类中，它产生了最高的平均准确度。该网络可以正确拟合数据，并在其他参数上表现良好。在这些补丁上测试了各种CNN的性能。三个网络的表现非常出色，并且有可能帮助医生进行诊断。其中之一是我们建立的轻型网络-BFCNet（乳腺癌FNAC分类网络）。在吉姆萨染色斑块（97.53％）和H＆E染色斑块（96.59％）的二元分类中，它产生了最高的平均准确度。该网络可以正确拟合数据，并在其他参数上表现良好。