一个新的机器学习模型用于乳腺癌检测使用乳房图像的乳房图像

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:

• 乳腺癌是全球妇女死亡的主要原因.
• 早期发现可显著提高康复率,降低死亡率.
• 深度学习表明,它有望促进乳腺癌查技术的发展.

研究的目的:

• 提出一种用于乳腺癌检测的新型机器学习方法.
• 增强特征提取,分类和优化,以提高诊断准确度.

主要方法:

• 图像预处理包括消除噪音,平滑和正常化.
• 使用概率主要成分分析进行特征提取.
• 通过Naïve Bayes和转移集成卷积神经网络 (TCNN) 进行分类.
• 使用火虫二进制灰色优化 (FBGO) 和元启发性火焰狮优化 (MMFLO) 的优化.
• 组合模型结合了分类器和优化器.

主要成果:

• 拟议的贝叶斯+FBGO分类器在INbreast数据集上实现了95%的准确性.
• 在INbreast数据集上,TCNN+MMFLO分类器实现了98%的准确性.
• 整体模型在多种类型的乳腺造影数据集中表现出强大的性能.

结论:

• 开发的机器学习框架为乳腺癌检测提供了高度准确的方法.
• 先进的分类器和优化器的组合显示了改善乳房图分析的巨大潜力.
• 这项研究有助于推进人工智能驱动的工具,用于早期诊断乳腺癌.