HBMD-Net:基于特征融合的乳腺癌分类与分类不平衡解决方案

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:

• 乳腺癌是全球领先的健康威胁,需要准确的诊断工具.
• 当前的计算机辅助诊断系统通常依赖于深度学习 (DL),但由于功能集成不足,缺乏可靠性.
• 有限和不平衡的乳腺癌数据集对模型培训和概括提出了重大挑战.

研究的目的:

• 开发一个混合乳腺质量检测网络 (HBMD-Net) 以提高乳腺癌分类.
• 应对阶级不平衡的关键挑战,需要进行地方和全球特征分析.
• 为了提高乳房超声波图像中瘤检测的精度.

主要方法:

• 实施了边界合成少数人过量采样技术 (BSMOTE) 来缓解阶级不平衡.
• 采用特征融合方法,将全球特征的ResNet50和本地特征的直方图方向梯度 (HOG) 结合起来.
• 集成的兴趣区域 (ROI) 分段和一个区块匹配和3D (BM3D) 消音过器,以提高分类准确度和减少噪音.

主要成果:

• 在BUSI数据集上,HBMD-Net实现了高分类准确率99.14%,在UDIAT数据集上达到94.49%.
• 混合方法有效地结合了本地和全球特征,优于依赖单一特征类型的方法.
• 集成BSMOTE,功能融合,ROI细分和BM3D显著改善了诊断性能.

结论:

• HBMD-Net为乳腺癌分类提供了一个强大的解决方案,有效地处理类不平衡和特征异质.
• 拟议的模型在乳房超声波图像分析中表现出卓越的性能,为更可靠的计算机辅助诊断铺平了道路.
• 这种混合方法强调了整合多种功能和降噪技术对于准确的医学图像分类的重要性.