基于层次极端学习机器的有效和自动乳腺癌早期诊断系统

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 乳腺癌是妇女死亡的主要原因,需要早期和准确的诊断.
• 目前的诊断方法,如MRI和活检是复杂和耗时的,特别是在大规模的查.
• 自动图像分析可以减轻工作量并提高诊断效率.

研究的目的:

• 用超声波图像开发乳腺癌的高效和自动诊断系统.
• 实施一个层次化的极端学习机器 (H-ELM) 用于初级图像诊断.
• 通过低分辨率超声波图像,使乳腺癌的早期和精确诊断成为可能.

主要方法:

• 使用层次极端学习机器 (H-ELM) 框架开发了一个自动诊断系统.
• 该系统处理低分辨率 (28x28像素) 的PNG超声波图像.
• 培训和应用程序旨在与一般医疗软件兼容.

主要成果:

• 在从BUSI数据集中分类乳腺癌时,H-ELM系统实现了86.13%的准确性.
• 在同一数据集上,性能超过了传统的深度学习方法.
• 训练时间大幅缩短至5.31秒,资源消耗最小.

结论:

• 开发的H-ELM系统为早期乳腺癌诊断提供了精确有效的方法.
• 该系统即使使用低分辨率的超声波图像和有限的数据也有效.
• 这种自动化方法可以帮助专家进行初级检查和大规模查.