一种高效的基于转移学习的交叉模型分类 (TLBCM) 技术,用于预测乳腺癌
Sudha Prathyusha Jakkaladiki1, Filip Maly1
1Department of Informatics and Quantitative Methods, Faculty of Informatics and Management, University of Hradec Králové, Hradec Králové, Czech Republic.
PeerJ. Computer science
|June 22, 2023
概括
这项研究引入了先进的深度学习方法,包括CNN和转移学习,以准确检测乳腺癌. 这些技术达到98.3%的准确性,提高了早期诊断的效率.
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:
- 乳腺癌仍然是女性死亡的主要原因,通常是由于晚期检测和有限的医疗设施.
- 像SVM和随机森林这样的机器学习技术显示出希望,但需要更高的准确性来实现现实应用.
- 技术进步对于提高乳腺癌发育观察和早期诊断至关重要.
研究的目的:
- 提出和评估最先进的深度学习技术,以有效和准确地预测乳腺癌.
- 提高对良性和恶性乳腺癌病例的分类率.
- 提高乳腺癌分类的速度和效率,以便更早地检测.
主要方法:
- 使用深度学习模型:卷积神经网络 (CNN),残余网络 (ResNet) 和DenseNet,包括转移学习.
- 采用网络物理系统 (CPS) 进行安全的虚拟网络传输和监控敏感图像数据.
- 在乳腺癌威斯康星州 (诊断) 和BreakHis数据集上进行实验.
主要成果:
- 使用卷积神经网络 (CNN) 和转移学习实现了98.3%的验证准确性.
- 证明了区分良性和恶性乳腺癌数据的高分类率.
- 与现有方法相比,提出的方法显著提高了分类效率和速度.
结论:
- 深度学习技术,特别是转移学习的CNN,为乳腺癌预测提供了高度准确和高效的方法.
- 提出的方法显示了在临床环境中更早,更可靠地检测乳腺癌的潜力.
- 网络物理系统在医学成像分析中增强虚拟网络传输期间的数据安全性.
