图表基于神经网络的乳腺癌诊断,使用超声波图像和优化的图表构造,整合医学上重要的特征
Sadia Sultana Chowa1, Sami Azam2, Sidratul Montaha1
1Faculty of Science and Technology, Charles Darwin University, Casuarina, NT, 0909, Australia.
Journal of cancer research and clinical oncology
|November 20, 2023
概括
这项研究引入了一个图形神经网络 (GNN) 模型,用于使用超声波图像进行乳腺癌诊断. 该GNN实现了99.48%的准确性,帮助放射科医生进行早期检测.
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:
- 早期诊断乳腺癌对于有效治疗至关重要.
- 放射科医生依靠像超声波这样的成像技术来评估瘤.
- 自动化方法可以提高诊断的准确性和效率.
研究的目的:
- 提出一个新的图形神经网络 (GNN) 模型,通过超声波图像将乳腺瘤分类为良性或恶性.
- 利用临床上重要的特征和GNN来提高诊断性能.
- 开发一种自动化的计算机化方法,以帮助放射科医生在早期发现乳腺癌.
主要方法:
- 根据放射学家标记,从感兴趣的区域 (ROI) 提取了十个信息特征.
- 使用Spearman图像特征 (节点) 之间的相关系数构建了一个图形数据集.
- 优化和评估一个GNN模型,比较其性能与面向梯度 (HOG) 特性的直方图.
主要成果:
- 该GNN模型实现了高测试准确率99.48%与0.95的相关性值,显著降低图形的复杂性.
- 精度和回忆率达到100%,F1得分为99.28%.
- 该GNN模型的表现优于基于HOG的方法 (86.91%的准确率).
结论:
- 提出的基于GNN的方法显示出有很大的潜力,可以帮助放射科医生诊断乳腺癌.
- 该方法有助于通过对超声波图像的自动分析来理解瘤模式.
- 这种自动化系统可以为更有效和及时的乳腺癌诊断做出贡献.
