一种基于GBM的增强光的乳腺癌检测技术,使用乳房扫描图像
Abdul Rahaman Wahab Sait1, Ramprasad Nagaraj2
1Department of Documents and Archive, Center of Documents and Administrative Communication, King Faisal University, P.O. Box 400, Hofuf 31982, Al-Ahsa, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|January 26, 2024
概括
这项研究开发了一种深度学习模型,用于使用乳房影像检测乳腺癌 (BC),实现高精度. 该模型是为资源有限的环境而设计的,有助于早期诊断和改善患者生存率.
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:
- 乳腺癌 (BC) 仍然是全球女性死亡的主要原因.
- 通过乳房镜早期检测可以显著提高存活率.
- 目前用于BC检测的深度学习 (DL) 方法通常是资源密集型的,限制了现实世界的应用.
研究的目的:
- 开发一个高效的DL模型用于从乳房影像检测乳腺癌.
- 使用预处理技术来提高乳房扫描图像质量.
- 确保模型在各种数据集中的通用性,以及在资源有限的环境中可部署.
主要方法:
- 开发了一个CNN模型,利用EfficientNet B7进行特征提取.
- 使用LightGBM与Optuna算法进行多类分类和超参数调整.
- 利用量子化意识培训 (QAT) 在受限制环境中有效实施.
- 在CBIS-DDSM,CMMD和组合数据集上验证了模型.
主要成果:
- 拟议的BC检测模型实现了高准确性:99.4% (CBIS-DDSM),99.9% (CMMD) 和97.0% (组合).
- 获得了优秀的卡帕 (K) 值:96.9% (CBIS-DDSM),96.9% (CMMD) 和94.1% (组合).
- 该模型在不同的数据集中显示出强大的通用性.
结论:
- 开发的DL模型为乳腺癌检测提供了一个有希望和准确的解决方案.
- 该模型的效率允许在现实世界,资源有限的临床环境中部署.
- 这种方法可以帮助医生做出及时有效的诊断决策,从而有可能降低BC死亡率.
