一个修改的LeNet CNN用于超声波图像中的乳腺癌诊断

科学领域:

• 医疗图像分析 医学图像分析
• 医疗保健中的人工智能
• 瘤学成像成像 瘤学成像

背景情况:

• 卷积神经网络 (CNN) 对于医学图像分析至关重要,有助于更快,更准确的诊断.
• 乳腺癌诊断依赖于精确的特征提取和瘤分类.
• 传统的修正线性单位 (ReLU) 可能会遭受"死亡的ReLU"问题,这可能会阻碍性能.

研究的目的:

• 应用和增强LeNet CNN架构用于乳腺癌数据分析.
• 提高乳腺癌检测和诊断的准确性和可靠性.
• 根据已建立的深度学习基准,评估修改后的LeNet模型的性能.

主要方法:

• 利用LeNet,一个经典的CNN架构,用于乳腺癌图像分类.
• 实施了更正的修正线性单位 (ReLU),以解决"死亡的ReLU"问题,并提高特征的歧视力.
• 集成批量规范化以提高训练稳定性和减轻CNN中的内部共变量转移.
• 与深度学习模型的比较对分类器进行了评估.

主要成果:

• 经过修改的LeNet架构在分类恶性和良性乳腺瘤方面表现出高准确性.
• 修正后的ReLU和批量正常化导致性能和训练稳定性得到改善.
• 设计的分类器实现了乳房图像识别准确率为89.91%.
• 该模型与其他深度学习模型相比显示出更高的性能.

结论:

• 增强的LeNet模型为乳腺癌检测和诊断提供了更准确,更可靠的方法.
• 这些修改有效地解决了传统CNN的局限性,改善了特征提取和分类.
• 这种方法支持早期检测,可能导致改善患者的治疗结果和治疗疗效.