基于卷积神经网络和图像融合方法的乳腺癌分类,使用超声波图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 超声波 (美国) 影像对乳腺瘤分类至关重要,但噪音和模式变化带来了挑战.
• 深度学习模型需要强大的图像数据来准确细分和分类,以支持临床决策.

研究的目的:

• 开发和评估一种新的图像处理方案,以提高对超声波图像中的乳腺瘤分类的深度学习性能.
• 提高深度学习模型在各种超声数据集中的概括能力.

主要方法:

• 开发了一个三步图像处理方案:使用区块匹配的3D过来减少斑点噪声,突出显示感兴趣的区域和RGB融合.
• 用VGG19深度学习模型在三个不同的乳房超声数据集 (BUSI,数据集B,KAIMRC) 上进行转移学习.
• 采用五重交叉验证策略,严格评估模型性能,包括和不包括拟议的预处理步骤.

主要成果:

• 拟议的图像处理方法显著提高了深度学习乳腺癌分类模型在所有测试数据集的性能.
• 预处理增强了VGG19模型的概括性,比使用原始超声波图像更准确.
• 该方法在使用交叉验证进行评估时,在BUSI和KAIMRC数据集上都显示出更好的性能.

结论:

• 开发的三步图像处理技术有效地增强了乳腺瘤在超声波图像中的分类深度学习模型.
• 这种方法提供了一个有希望的策略,以提高AI驱动的诊断工具在乳腺癌检测中的准确性和可靠性.
• 使用多样化的数据集强调了该模型具有广泛临床适用性的潜力.