相关实验视频
Updated: Jun 28, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.1K
通过使用ResNet18和ResNet34的深度转移学习研究乳腺癌的检测
Christiana Subaar1, Fosberg Tweneboah Addai1, Eric Clement Kotei Addison1
1Department of Physics, Kwame Nkrumah University of Science and Technology, Kumasi, Ghana.
Biomedical physics & engineering express
|April 10, 2024
概括
这项研究使用ResNet18和ResNet34模型的转移学习来检测乳腺癌在乳房影像中. ResNet18实现了92%的准确性,有助于早期诊断和治疗,特别是在非洲等服务不足的地区.
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:
- 乳腺癌发病率在欠发达国家上升,特别是在非洲,因为诊断迟到.
- 早期癌症检测对于有效治疗和改善患者治疗结果至关重要.
- 计算机辅助诊断和医学图像分析可以加速和自动化癌症分类.
研究的目的:
- 调查使用转移学习与剩余网络18 (ResNet18) 和剩余网络34 (ResNet34) 架构用于乳腺癌检测的乳腺图像.
- 为放射科医生开发一个功能性原型应用程序,以协助诊断乳腺癌.
- 评估深度学习模型在提高乳腺癌检测准确度方面的有效性,重点关注非洲医疗保健场景.
主要方法:
- 利用了应用ResNet18和ResNet34深度学习架构的转移学习技术.
- 在来自国家放射学会 (NRS) 档案的1200张乳房X射线乳房造影图像数据集上训练模型.
- 将图像分为四类:植入物癌阴性,植入物癌阳性,癌症阴性和癌症阳性用于多类分析.
主要成果:
- 使用ResNet34.4实现了对二进制分类 (良性与恶性) 的86.7%的验证准确性.
- 使用ResNet18实现了对二进制分类 (良性与恶性) 92%的验证准确性.
- 开发了一个原型网络应用程序,展示了ResNet18模型在临床使用中的性能.
结论:
- 转移学习显著提高了使用深度学习模型检测乳腺癌的准确性.
- 开发的ResNet18模型显示了帮助医疗专业人员早期诊断乳腺癌的前景.
- 这种方法为改善癌症护理提供了有价值的工具,特别是在像非洲这样资源有限的环境中.
