MOB-CBAM:一种基于注意力的双通道深度学习模型,可用于乳腺癌分子亚型的预测,使用乳房影像
Iqra Nissar1, Shahzad Alam1, Sarfaraz Masood1
1Department of Computer Engineering, Jamia Millia Islamia (A Central University), New Delhi, 110025, India.
Computer methods and programs in biomedicine
|March 26, 2024
概括
一个新的深度学习模型,MOB-CBAM,准确地检测乳腺癌及其亚型. 这种轻量级模型在识别瘤和化方面实现了高精度,有助于个性化治疗策略.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 在瘤学瘤学.
背景情况:
- 深度学习模型为癌症检测等复杂问题提供了高效的解决方案.
- 在乳腺癌中精确的分子亚型检测对于个性化治疗计划至关重要.
- 不同的乳腺癌亚型对治疗有不同的反应.
研究的目的:
- 推出MOB-CBAM,一种用于乳腺癌诊断和分子亚型预测的新型轻量级深度学习模型.
- 在MobileNet-V3架构中利用双通道注意力机制,以提高预测准确度.
- 评估模型在各种乳腺癌检测任务上的表现,包括质量和化识别.
主要方法:
- 开发了MOB-CBAM,这是一个轻量级的深度学习模型,集成了MobileNet-V3和卷积块注意模块 (CBAM).
- 利用CMMD乳腺造影数据集,创建了粗细粒度分类任务的九个子集.
- 应用图像预处理技术 (过,增强,规范化) 来提高模型的概括性.
主要成果:
- MOB-CBAM在良性与恶性瘤分类方面实现了99%的准确性,精度,回忆,F1得分和0.98 MCC.
- 在质量和化 (良性/恶性) 的细粒度分类中证明98%的准确性.
- 对MIAS (97%准确度) 和CBIS-DDSM (98%准确度) 数据集的交叉验证证实了模型的有效性.
结论:
- 轻量级的MOB-CBAM深度学习框架有效地解决了乳腺癌诊断和亚型预测问题.
- 整合CBAM显著提高了乳腺癌预测的准确性.
- 广泛的评估和交叉验证证实了MOB-CBAM模型的强大性能和临床实用性.
