自动乳腺瘤超声波图像细分与混合UNet和分类使用微调CNN模型的分类
Shahed Hossain1, Sami Azam2, Sidratul Montaha3
1Health Informatics Research Laboratory (HIRL), Department of Computer Science and Engineering, Daffodil International University, Dhaka, 1341, Bangladesh.
Heliyon
|October 27, 2023
概括
这项研究引入了一种优化的深度学习模型,用于从超声波图像中对乳腺癌进行分类,达到98.41%的准确性. 这种方法通过准确细分和分类瘤来增强早期诊断,改善患者的治疗结果.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 瘤学研究的研究.
背景情况:
- 乳腺癌是全球妇女死亡的主要原因.
- 通过医学成像早期检测对于有效治疗和降低死亡率至关重要.
研究的目的:
- 开发和评估一种深度学习模型,以在超声波图像中将乳腺瘤分类为良性或恶性.
- 用自动图像分析来提高乳腺癌诊断的准确性和效率.
主要方法:
- 利用图像处理技术来提高超声波图像质量.
- 采用了一个优化的UNet架构 (RKO-UNet) 来对兴趣区域 (ROI) 进行细分.
- 开发了一种优化的浅CNN模型 (RKONet-13),用于瘤分类的注意力单元.
- 进行了废除研究,以优化模型架构和超参数.
- 在超声波和乳腺造影数据集上验证了性能.
主要成果:
- 拟议的RKONet-13模型在乳房超声波图像上实现了98.41%的分类精度.
- 与五种转移学习模型和现有文献相比,表现优越.
- 在乳腺造影数据集上获得了96.21%的准确性,表明了强度.
- K-fold交叉验证证实了该模型的性能稳定性.
结论:
- 这项研究提出了一种有效的深度学习框架,结合了图像预处理,基于注意力的细分和微调的CNN来检测乳腺癌.
- 拟议的方法提供了一个有前途的工具,可以提高超声波成像的乳腺癌诊断的准确性和可靠性.
