一个CNN超参数优化基于粒子群优化为乳房扫描乳腺癌分类.
Khadija Aguerchi1, Younes Jabrane1, Maryam Habba2
1MSC Laboratory, Cadi Ayyad University, Marrakech 40000, Morocco.
Journal of imaging
|February 23, 2024
概括
这项研究介绍了一种自动化的深度学习方法,用于通过粒子群优化 (PSO) 优化的卷积神经网络 (CNNs) 来检测乳腺癌. 这种方法显著提高了乳房扫描分类的准确性,有助于早期预测乳腺癌.
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:
- 乳腺癌是全球女性死亡的主要原因之一.
- 医学成像,特别是乳房造影,对于早期检测至关重要.
- 手动分析乳房影像是耗时的,容易变化.
研究的目的:
- 开发一个高度准确的深度学习模型,用于在乳房镜中自动检测乳腺癌.
- 为应对确定最佳CNN超参数和架构的挑战.
- 提高乳腺癌查的效率和准确性.
主要方法:
- 一种使用卷积神经网络 (CNN) 的新型深度学习方法.
- 集成粒子集群优化 (PSO) 实现自动CNN超参数和架构选择.
- 根据DDSM和MIAS乳房学数据集进行验证.
主要成果:
- 在DDSM数据集上取得了98.23%的高成功率.
- 在MIAS数据集上实现了97.98%的高成功率.
- 与乳房镜分类现有研究相比,证明了更高的准确性.
结论:
- 拟议的PSO优化CNN模型为乳腺癌预测提供了一种强大而自动化的技术.
- 现在可以自动创建CNN模型来进行乳房镜分类.
- 这种方法显著提高了乳腺癌查的诊断准确性和效率.
更多相关视频
08:32Using Computer-based Image Analysis to Improve Quantification of Lung Metastasis in the 4T1 Breast Cancer Model
Published on: October 2, 2020
6.3K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K