一个新的乳腺癌检测架构,基于一个CNN-CBR系统的乳房镜分类体系
Lydia Bouzar-Benlabiod1, Khaled Harrar2, Lahcen Yamoun1
1LCSI, École nationale Supérieure, d'Informatique, BP 68M, 16309, Oued-Smar, Alger, Algeria.
Computers in biology and medicine
|June 16, 2023
概括
这项研究引入了一种新的乳腺癌检测框架,使用乳房影像,结合深度学习 (DL) 和基于案例的推理 (CBR) 进行准确,可解释的诊断. 这种方法增强了特征提取,以提高分类性能.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 瘤学 诊断 诊断 瘤学
背景情况:
- 精确的乳腺癌检测通过乳房影像对于早期诊断和治疗至关重要.
- 传统的方法往往缺乏可解释性或足够的准确性.
- 特性提取质量显著影响基于案例推理 (CBR) 系统的性能.
研究的目的:
- 开发一种新的框架,以使用乳腺扫描图像进行可解释的乳腺癌检测.
- 通过将深度学习 (DL) 与CBR集成来提高分类准确性.
- 通过图像增强和数据增强来提高提取特征的质量.
主要方法:
- 一个管道,包括图像增强和数据增强技术.
- 用于有效细分和提取感兴趣区域 (RoI) 的U-Net架构.
- 集成深度学习进行细分和基于案例的推理进行可解释的分类.
主要成果:
- 拟议的框架在CBIS-DDSM数据集上实现了高性能.
- 实现了86.71%的精度 (Acc) 和91.34%的回忆.
- 超过了几种既定的机器学习 (ML) 和深度学习 (DL) 方法.
结论:
- 将DL用于细分与CBR用于分类的组合为乳腺癌检测提供了一种有效的方法.
- 拟议的方法提供了准确和可解释的诊断结果.
- 该框架显示了改善基于乳腺造影的乳腺癌诊断的巨大潜力.
