通过使用优化的集体深度学习框架进行自动化微化检测来提高早期乳腺癌诊断

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:

• 乳腺癌的诊断依赖于精确检测微化.
• 深度学习模型显示出希望,但由于架构多样性而面临挑战.
• 建议采用整体方法来提高精度和可靠性.

研究的目的:

• 开发一个优化的深度学习组合模型,用于乳房影像预处理和微化检测.
• 提高乳腺癌诊断的准确性和可靠性.

主要方法:

• 实施了一个预处理框架,涉及到文物删除,细分和过.
• 使用ResNet-50进行转移学习,并对AlexNet,GoogLeNet,VGG16和ResNet-50进行集体优化.
• 采用了超参数优化和严格的评估协议.

主要成果:

• 整体模型在微化分类中获得了0.9305的平均信心评分.
• 正常病例的平均信心值为0.8859,表明预测一致.
• 实现了高性能指标,包括准确性,精度,回忆,F1得分和AUC.

结论:

• 整体模型显著提高了乳腺癌诊断的准确性和可靠性.
• 专注于平均信心评级可以提高临床诊断的有效性.
• 这种新的方法在微化检测方面提供了实质性的改进.