基于转移学习模型的预处理和杂交的增强乳房质量乳房学分类方法
Saida Sarra Boudouh1, Mustapha Bouakkaz2
1LIM Laboratory, University of Laghouat Amar Telidji, Laghouat, Algeria. s.boudouh@lagh-univ.dz.
Journal of cancer research and clinical oncology
|August 11, 2023
概括
这项研究引入了一种改进的两阶段方法,用于检测乳房质量在乳房影像,实现高精度. 这种新的方法提高了早期发现乳腺癌和患者存活率.
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:
- 乳腺癌是妇女死亡的主要原因,需要通过乳房影像进行准确的早期检测.
- 目前用于乳腺质量检测的深度学习模型因质量多样性和复杂的微观环境而面临挑战.
- 现有的预处理和网络架构往往不足以进行准确的乳房图分析.
研究的目的:
- 开发一种可靠和有效的乳腺质量检测方法,用于乳房影像.
- 为了提高乳腺癌诊断的准确性和性能,在乳房摄影中.
- 通过更早,更精确地检测乳腺质量来提高患者的生存率.
主要方法:
- 一种涉及预处理和新型分类方法的两阶段分类方法.
- 预处理包括Region Of Interest (ROI) 提取,消除噪音 (例如,中位数,高斯过器) 和图像增强.
- 分类使用混合模型连接两个预训练的卷积神经网络 (CNN) 来进行特征提取,然后进行全球聚合来进行分类.
主要成果:
- 拟议的方法使用CBIS-DDSM数据集中消除噪声的中位过器实现了最高准确率98.1%.
- 与现有方法相比,灵敏度和特异性显著提高.
- 与全球最大聚合相比,全球平均聚合作为分类器表现优越.
结论:
- 开发的乳腺质量检测策略在乳房扫描中在分类性能方面超过了当前排名最高的方法.
- 混合CNN方法与有效的预处理相结合,为准确的乳腺癌诊断提供了一个有希望的解决方案.
- 这项研究有助于推进早期发现乳腺癌并改善患者的治疗结果.
