通过深度学习网络集体检测乳腺癌,使用共识自适应权重方法

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 晚期诊断显著导致乳腺癌死亡率.
• 乳房摄影对于早期检测至关重要,但有其局限性.
• 准确和快速的诊断对于有效的乳腺癌治疗至关重要.

研究的目的:

• 开发和评估一种新的计算机辅助检测 (CAD) 整体系统,用于增强乳腺癌诊断.
• 通过深度学习提高早期乳腺癌检测的准确性和速度.
• 为了解决巨大的挑战在像素级注释深度学习模型的乳房图像.

主要方法:

• 创建了一个整体CAD系统,集成了EfficientNet,Xception,MobileNetV2,InceptionV3和Resnet50深度学习网络.
• 为了动态调整网络贡献,采用了一种新的共识适应权重 (CAW) 方法.
• 该系统在查乳房学 (DDSM) 和INbreast数据集的数字数据库上进行了评估,其中包括一个切割的DDSM子集.

主要成果:

• 在评估的数据集中,CAD系统表现出卓越的性能.
• 在切割的DDSM数据集上,该系统实现了95.48%的准确性.
• 在切割的DDSM数据集上,检测率提高了大约1.59%.

结论:

• 开发的CAD组合系统代表了乳腺癌早期检测的重大进步.
• 该系统为更准确和及时的诊断提供了潜力,改善了患者的治疗结果.
• 同意适应权重方法有效地整合了多个深度学习网络,以进行可靠的检测.