基于混合机器学习的乳腺癌细分框架,使用具有最佳加权特征的超声波图像

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺癌对妇女健康构成重大威胁,需要准确有效的诊断工具.
• 目前的乳腺癌诊断技术,包括超声波,面临复杂性,成本和准确性的挑战.
• 机器学习对乳腺癌模式分类有希望,但由于功能增强策略不足而受到阻碍.

研究的目的:

• 开发一种新的,准确的,快速的乳腺癌检测模型,利用机器学习和超声波图像.
• 通过增强的特征识别策略,解决传统乳腺癌检测方法的局限性.
• 通过优化特征选择和增强来提高机器学习模型在乳腺癌分类中的性能.

主要方法:

• 超声波图像的采集和预处理,包括过和对比度增强.
• 使用 Fuzzy C-Means,主动轮和分水算法进行图像细分.
• 开发一种混合模型,Conglomerated Aphid with Galactic Swarm Optimization (CAGSO),用于像素选择,特征提取 (形状和纹理),以及最佳加权特征选择.

主要成果:

• 开发的CAGSO模型有效地选择了最佳的像素,并从细分的超声图像中提取了相关的形状和纹理特征.
• 该模型在实验分析期间与经典方法相比,在乳腺癌检测方面取得了更高的性能.
• 优化的特征选择和增强策略显著提高了基于机器学习的检测模型的准确性.

结论:

• 集成CAGSO优化的新型机器学习模型展示了使用超声波图像检测乳腺癌的卓越性能.
• 这种方法为早期乳腺癌诊断提供了更有效和高效的解决方案,解决了现有方法的局限性.
• 该研究强调了先进的机器学习技术和优化特征选择在改善瘤诊断方面的潜力.