複数の特徴抽出技術とマルチスケールアテンションベースの特徴融合モデルを用いた効果的な乳がん分類システム

科学分野:

• 医用画像処理
• 人工知能
• コンピュータ支援診断

背景:

• 乳がんは女性の主要な死因であり、早期発見が必要です。
• 手動診断は時間がかかるため、自動化システムの必要性が強調されています。
• 乳がんの早期特定は、死亡率を大幅に低下させます。

研究 の 目的:

• 特徴融合を用いた自動乳がん分類のための新しいフレームワークを開発すること。
• 乳がん検出の精度と効率を向上させること。
• 堅牢な分類のために多様な特徴を組み合わせること。

主な方法:

• CBIS-DDSMおよびMIASデータセットを利用し、前処理のために画像拡張およびホモモルフィックフィルタリングを使用しました。
• 手作り（HOG、LBP）、統計（MPCA）、テクスチャ、およびディープ（ViT）特徴量を抽出しました。
• ソフトマックス分類を用いたマルチスケールアテンションベースの特徴融合モデルを実装しました。

主要な成果:

• CBIS-DDSMデータセットで99.45%の精度を達成しました。
• MIASデータセットで99.73%の精度を達成しました。
• 既存の乳がん検出技術と比較して優れた性能を示しました。

結論:

• 提案された特徴融合フレームワークは、自動乳がん分類の精度を大幅に向上させます。
• この自動化システムは、早期かつ信頼性の高い乳がん検出のための有望なツールを提供します。
• 多様な特徴の統合は、診断モデルの堅牢性を高めます。