调整预训练的卷积神经网络,以改善乳房图像中的异常检测和分类
Abeer Saber1, Abdelazim G Hussien2,3,4, Wael A Awad5
1Department of Information Technology, Faculty of Computers and Artificial Intelligence, Damietta University, Damietta, 34517, Egypt.
Scientific reports
|September 9, 2023
概括
这项研究引入了一个结合转移学习和LSTM的深度学习模型,用于精确地检测乳腺癌在乳房影像中. 该模型显著改善了早期诊断,有助于更好的治疗和降低死亡率.
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 (BC) 是女性癌症死亡的主要原因,早期发现对生存至关重要.
- 乳房扫描对于识别BC质量和化至关重要,但误解可能导致不必要的活检和降低生存率.
- 提高乳腺质检测和诊断的准确性对于有效治疗和降低死亡风险至关重要.
研究的目的:
- 开发和评估一种新的深度学习 (DL) 模型,用于提高乳腺质量的检测和诊断.
- 提高乳房扫描数据中识别可疑区域的准确性,从而促进更早,更有效的乳腺癌治疗.
- 通过提高诊断能力来降低与乳腺癌相关的死亡风险.
主要方法:
- 提出了一个新的深度学习 (DL) 模型,将转移学习 (TL) 和长短期记忆 (LSTM) 整合起来.
- 预先训练的网络特征 (SqueezeNet,DenseNet) 被转移并与INbreast数据集中的特征相结合.
- 为了模型培训和验证,采用了80-20数据分割方法.
主要成果:
- 拟议的DL模型实现了乳腺瘤检测的高性能指标.
- 关键性能指标包括99.236%的精度,98.8%的灵敏度,99.1%的特异性,96%的精度和0.998 AUC.
- 这些结果表明该模型在为乳腺癌检测分类乳房扫描数据方面具有显著的有效性.
结论:
- 开发的TL-LSTM深度学习模型有效地检测乳腺瘤在乳房影像.
- 该模型的高精度和灵敏度表明其有可能改善早期乳腺癌诊断.
- 这种方法在提高治疗结果和降低乳腺癌死亡率方面表现有前途.
