在优化的LSTM上应用双模,以U网细分为乳腺癌诊断,使用乳房影像图像
J Sivamurugan1, G Sureshkumar2
1Department of Computer Science and Engineering, School of Engineering & Technology, Pondicherry University (karaikal Campus), karaikal-609605, Puducherry UT, India..
Artificial intelligence in medicine
|September 6, 2023
概括
这项研究引入了一种新的混合深度学习模型,用于精确检测乳腺癌在乳房影像中. 优化的模型实现了96%的准确性,有助于早期诊断和改善患者的治疗结果.
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:
- 乳腺癌仍然是妇女死亡的主要原因,需要更早的检测方法.
- 乳房镜分析的自动化系统可以显著帮助临床医生进行诊断.
- 深度学习的进步为复杂的医学成像挑战提供了有希望的解决方案.
研究的目的:
- 开发一种新的混合深度学习模型用于乳腺癌诊断.
- 使用适应黑寡妇优化 (A-BWO) 优化U-Net架构.
- 通过结合特征提取和深度特征的双模型方法来提高检测准确性.
主要方法:
- 使用中位过,直方体均和形态操作进行乳房影像的预处理.
- 通过A-BWO的优化U-Net进行瘤细分.
- 两种模式的检测策略:模型1使用灰色级别共发生矩阵 (GLCM) 和局部梯度模式 (LGP) 与DM-OLSTM;模型2使用VGG19,Resnet150和Inception与DM-OLSTM的融合深度特征.
主要成果:
- 拟议的双模访问优化长期短期记忆 (DM-OLSTM) 实现了96%的准确性.
- 获得了95%的F1得分,表明了强大的性能.
- 混合模型在基准数据集上表现出卓越的性能.
结论:
- 开发的混合深度学习模型对乳腺癌检测有效.
- 该方法显示了实时乳腺癌查应用的潜力.
- 优化的深度学习架构显著提高了医学成像诊断能力.
