使用PCSAN-Net-DBOA进行红外热图像:乳腺癌分类的方法
S M Vijayarajan1, D Manoj Kumar2, G Sudha3
1Department of Electronics and Communication Engineering, NPR College of Engineering & Technology, Dindigul, Tamil Nadu, India.
Microscopy research and technique
|March 19, 2024
概括
这项研究引入了一种使用热图像和优化的神经网络进行乳腺癌分类的新方法. 拟议的方法显著减少了计算时间,并提高了诊断乳腺癌的准确性.
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:
- 乳腺癌的诊断在很大程度上依赖于准确的图像分析.
- 传统方法经常面临图像噪声和特征提取方面的挑战.
- 优化机器学习模型对于提高诊断精度至关重要.
研究的目的:
- 为乳腺癌使用热图像进行分类提出一个优化的金字塔卷积混合注意力神经网络 (PCSANN).
- 通过一种新的优化算法,提高乳腺癌诊断的准确性和效率.
- 与现有的乳腺癌检测技术相比,评估拟议方法的性能.
主要方法:
- 使用DMR-IR数据集进行红外热乳房图像.
- 应用自适应扭曲高斯匹配波器 (ADGMF) 用于图像无色化和质量提升.
- 用于灰度特征提取的一维量子整数波形S转换 (OQIWST).
- 优化了PCSANN分类器,使用虫优化算法 (DBOA) 进行精确的乳腺癌分类.
- 在Python中使用PCSANN与DBOA (BCD-PCSANN-DBO) 方法实现了乳腺癌诊断.
主要成果:
- 通过BCD-PCSANN-DBO方法,表现指标显著改善.
- 与BCD-CNN,BCD-VGG16和BCD-SqueezeNet相比,实现了较低的计算时间,分别为29.87%,28.95%和27.92%.
- 与现有方法相比,获得了较高的接收器操作特征 (RoC) 分数,分别为13.29%,14.35%和20.54%.
- 优化的PCSANN分类器可以准确诊断乳腺癌.
结论:
- 拟议的BCD-PCSANN-DBO方法提供了一个非常准确和高效的方法,用于从热图像中对乳腺癌进行分类.
- DBOA与PCSANN的整合有效地优化了分类过程,优于现有的方法.
- 这项研究强调了先进的人工智能技术在改善乳腺癌检测和诊断方面的潜力.
