深度学习用一小组数据进行乳房学分类.

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺癌是妇女死亡的主要原因,需要改进诊断工具.
• 癌症查增加导致乳房造影的数量增加,压倒临床医生.
• 计算机辅助诊断 (CAD) 系统有助于分析医疗图像和检测异常.

研究的目的:

• 评估一个七层卷积神经网络 (CNN) 用于分类乳腺癌在乳房影像.
• 确定拟议的CNN模型在区分良性和恶性乳腺瘤中的有效性.

主要方法:

• 使用开源MIAS数据集,包括322张乳房图 (207张正常,115张异常).
• 开发了一个七层CNN模型,从输入乳房图中提取特征.
• 使用提取的特征来将乳腺癌分类为恶性或良性.

主要成果:

• 在有限的数据集上,CNN模型实现了高性能指标.
• 实现了99.89%的准确性,99.85%的精度,99.89%的回忆,以及99.87%的F1得分.
• 证明曲线下的面积 (AUC) 为 100.0%,损失仅为 0.39%.

结论:

• 开发的CNN模型有效地使用小数据集对乳腺癌进行分类.
• 这种人工智能驱动的方法可以帮助医疗专业人员诊断乳腺癌异常.
• 该模型在提高乳腺癌检测的准确性和效率方面表现有前途.