通过CNN框架的融合,检测和分类瘤性乳腺图像
Ahsan Rafiq1, Alexander Chursin2, Wejdan Awad Alrefaei3
1School of Automation, Chongqing University of Posts and Telecommunications, Chongqing 400065, China.
Diagnostics (Basel, Switzerland)
|May 27, 2023
概括
使用深度学习 (DL) 模型准确识别乳腺癌至关重要. 这项研究开发了三个卷积神经网络 (CNN) 模型,3-CNN模型实现了90.10%的准确性,改善了乳腺癌分类.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌 (BC) 诊断严重依赖于成像技术,但错误识别可能导致不必要的治疗.
- 准确的BC鉴定对于防止手术和活检等侵入性手术至关重要.
- 深度学习 (DL) 显示了增强癌症检测医疗图像分析的前景.
研究的目的:
- 开发和评估深度学习模型,以从基因病理图像中准确地分类乳腺癌.
- 为了比较不同卷积神经网络 (CNN) 架构在乳腺癌检测中的性能.
- 通过先进的机器学习技术,提高乳腺癌诊断的自动化和准确性.
主要方法:
- 提出了三种不同的CNN模型:一个简单的CNN (1-CNN),一个融合CNN (2-CNN) 和一个三部分CNN (3-CNN).
- 这些模型被训练和测试在组织病理性乳腺癌图像上,以提取关键特征.
- 使用包括准确性,回忆力,精度和F1-Score在内的指标来评估性能.
主要成果:
- 3-CNN模型表现出卓越的性能,达到90.10%的准确性.
- 3-CNN模型还报告了高回忆率 (89.90%),精度 (89.80%) 和F1-Score (89.90%).
- 与其他方法相比,基于CNN的方法显著提高了乳腺癌分类准确度.
结论:
- 开发的CNN模型,特别是3-CNN模型,在自动化乳腺癌分类方面取得了重大进展.
- 这些基于DL的方法提高了诊断准确性,可能减少患者暴露在不必要的程序中.
- 该研究强调了CNN在分析基因病理图像的有效性,以改善乳腺癌的检测和管理.
