相关实验视频
Updated: Jun 25, 2025
09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.5K
通过MRI检测前列腺癌,使用高效的特征提取与转移学习
Rafiqul Islam1, Al Imran2, Md Fazle Rabbi2
1Department of IoT and Robotics Engineering, Bangabandhu Sheikh Mujibur Rahman Digital University, Gazipur, Bangladesh.
Prostate cancer
|May 24, 2024
概括
这项研究表明,包括ResNet50在内的深度学习模型可以有效地提取前列腺癌诊断的特征. 机器学习,特别是随机森林,实现了高精度,为改进的癌症识别工具铺平了道路.
科学领域:
- 在瘤学瘤学.
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 前列腺癌是一个普遍存在的全球健康问题,需要迅速和准确的诊断以获得有效的治疗.
- 机器学习 (ML) 为提高瘤学诊断精度提供了有希望的途径.
- 深度学习 (DL) 模型显示出从医学成像数据中提取复杂特征的潜力.
研究的目的:
- 调查各种深度学习模型 (VGG16,VGG19,ResNet50,ResNet50V2) 在前列腺癌诊断中特征提取的有效性.
- 评估随机森林分类器与DL提取的特征一起用于前列腺癌分类的性能.
- 为了解决数据集的局限性,使用转移学习来改进模型概括.
主要方法:
- 对VGG16,VGG19,ResNet50和ResNet50V2进行比较分析,用于从前列腺癌图像中提取特征.
- 应用随机森林分类器来分类DL模型提取的特征.
- 利用转移学习技术在有限的注释前列腺癌数据集上训练DL模型.
主要成果:
- 在提取前列腺癌图像中显著特征方面,ResNet50获得了最高的准确性 (99.64%).
- 结合DL特征提取和随机森林分类,在前列腺癌检测方面表现出高效.
- 转移学习增强了DL模型在有限数据的泛化能力.
结论:
- 深度学习模型,特别是ResNet50,在前列腺癌诊断中的特征提取方面非常有效.
- 将DL特征提取与随机森林分类的整合为准确的癌症鉴定提供了一个强大的框架.
- 这项研究支持开发可靠,可解释的基于ML的诊断工具,用于早期和精确的前列腺癌检测.
