深度转移学习与模糊组合方法用于早期检测乳腺癌
S R Sannasi Chakravarthy1, N Bharanidharan2, V Vinoth Kumar2
1Department of Electronics and Communication Engineering, Bannari Amman Institute of Technology, Sathyamangalam, India.
BMC medical imaging
|April 8, 2024
概括
这项研究引入了一种新的模糊组合深度学习模型,用于使用乳房影像早期检测乳腺癌. 该方法实现了98.986%的高精度,超过了改善癌症诊断的现有方法.
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:
- 乳腺癌是一个重大的全球健康挑战,与其他癌症相比,其死亡率更高.
- 早期检测对于改善患者的治疗结果和生存率至关重要.
- 深度学习技术显示了提高癌症检测准确性和及时性的潜力.
研究的目的:
- 开发和评估一种新的深度学习组合模型,用于从乳房影像中早期检测乳腺癌.
- 将拟议模型的性能与已建立的转移学习和组合方法进行比较.
- 为了利用模糊逻辑和修改后的Gompertz函数来提高分类准确性.
主要方法:
- 利用了四个公共数据库,每个数据库包含986张正常,良性和恶性类别的乳房影像.
- 采用了三个深度卷积神经网络 (CNN) 模型 (VGG-11,Inception v3,ResNet50) 作为基础分类器.
- 实施了一种使用修改后的Gompertz函数进行模糊排名和基本模型决策得分的自适应集成的合并方法.
主要成果:
- 拟议的模糊组合方法与个人转移学习模型和其他组合技术 (加权平均,Sugeno积分) 相比,表现优越.
- 基于ResNet50的模糊组合网络实现了高分类准确率98.986%.
- 修改后的基于Gompertz函数的模糊排名有效地集成了基础分类器的预测.
结论:
- 开发的模糊组合深度学习模型为准确和早期的乳腺癌检测提供了有希望的进步.
- 这种方法显著提高了分类准确性,可能导致更好的临床决策.
- 模糊逻辑与深度学习的整合为瘤学中的医学图像分析提供了强大的框架.
