采用Atrus金字塔卷积深度学习方法进行检测以诊断乳腺癌瘤
Ehsan Sadeghi Pour1, Mahdi Esmaeili1, Morteza Romoozi1
1Department of Electrical and Computer Engineering, Kashan Branch, Islamic Azad University, Kashan 8715998151, Iran.
Computational intelligence and neuroscience
|November 29, 2023
概括
这项研究引入了一种新的量子波波变换 (QWT) 过和Atrous金字塔卷积神经网络 (APCNN) 方法,用于改善乳腺癌在乳房影像中的检测. 该QWT-APCNN模型增强了降噪和质量细分,导致更准确的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 乳腺癌是全球女性的主要死亡原因,需要早期检测以改善存活率.
- 计算机辅助诊断系统可以帮助放射科医生准确识别和定位乳腺瘤.
- 乳房图像质量经常受到噪音的影响,阻碍了精确的瘤检测.
研究的目的:
- 评估乳房图像的降噪技术,特别是针对盐和胡,高斯式和波桑式噪声.
- 开发和评估一个深度学习模型,用于精确的质量检测和细分在乳房影像.
- 引入一种混合方法,结合量子波波变换过和Atrous金字塔卷积神经网络.
主要方法:
- 在这项研究中使用了MIAS (乳腺图像分析学会) 数据集.
- 实现了量子波波变换 (QWT) 过,用于减少乳腺图像中的噪声.
- 采用Atrous金字塔卷积神经网络 (APCNN) 来进行图像分类和质量细分,形成QWT-APCNN混合模型.
主要成果:
- 与现有方法相比,拟议的QWT-APCNN方法在降噪和质量细分方面表现优越.
- 实现了高准确率,包括98.57%的准确率,92%的灵敏度,88%的特异性和90%的杜克-斯科特 (DSS).
- 该模型还在接收器操作特征 (ROC) 和曲线下面面积 (AUC) 分析中显示出有希望的结果,达到88.77%.
结论:
- QWT-APCNN混合方法提供了一个强大的解决方案,用于提高乳房扫描图像质量和提高乳腺癌检测的准确性.
- 这种方法有可能显著帮助放射科医生更快,更准确地进行诊断,最终改善患者的治疗结果.
- 该研究强调了将先进的信号处理技术与医疗图像分析的深度学习相结合的有效性.
