相关实验视频
Updated: Jul 1, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
深度瓶残留卷积神经网络的新融合框架,用于从乳腺扫描图像进行乳腺癌分类
Kiran Jabeen1, Muhammad Attique Khan1,2, Mohamed Abdel Hameed3
1Department of Computer Science, HITEC University, Taxila, Pakistan.
Frontiers in oncology
|March 8, 2024
概括
这项研究引入了一种新的深度学习模型,用于从乳房影像中检测乳腺癌 (BC) 的量子优化. 该方法实现了高精度,在自动化BC诊断方面提供了有前途的进步.
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) 是一个重要的全球健康问题,需要改进的诊断工具.
- 使用医学成像的自动化方法显示出有前途,但精度各不相同.
- 目前的策略需要加强,以准确有效地识别BC.
研究的目的:
- 开发和评估一种新的深度瓶卷积神经网络,与乳腺癌分类和诊断的量子优化算法集成,使用乳房影像进行诊断.
- 提出和评估两个新的深度架构:一个三余块瓶模型和一个四余块瓶模型.
- 增强特征提取,融合和选择,以提高诊断性能.
主要方法:
- 提出了具有平行和单一路径的新型深度瓶卷积神经网络架构.
- 使用贝叶斯优化 (BO) 进行超参数初始化和训练.
- 实现基于内核的正规相关性分析和深度特征融合的.
- 应用了量子概括的正常分布优化,以改进特征.
- 在INbreast数据集上使用双层和宽神经网络的分类特征.
主要成果:
- 在INbreast乳房造影数据集上达到96.5%的最大准确性.
- 证明了高性能指标:96.45%的灵敏度,96.5%的精度,96.64%的F1分数,92.97%的MCC和卡帕值.
- 与最近的技术相比,拟议的模型显示出更高的准确性和精度.
- 在乳房影像中成功地用于诊断受感染区域.
结论:
- 这种新的深度瓶卷积神经网络与量子优化为乳腺癌的分类和诊断提供了一个高度准确和精确的方法.
- 拟议的特征融合和精细化技术对模型的诊断性能做出了重大贡献.
- 这一框架代表了自动乳腺癌检测的实质性进步,有可能改善患者的治疗结果.
