智能乳腺癌诊断与两阶段使用乳房图像的乳房图像

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 (BC) 是女性癌症死亡的主要原因.
• 通过乳房镜早期检测至关重要,但区分恶性病变仍然很困难.
• 需要新的方法来提高基于乳腺癌查的精度.

研究的目的:

• 开发和评估一种新的深度学习框架,用于使用乳房影像进行增强的乳腺癌查.
• 提高早期乳腺癌检测的准确性和精度.
• 解决在乳房图片中从良性异常中区分恶性质量病变的挑战.

主要方法:

• 提出了一个三阶段的深度学习模型:数据收集,使用基于Atrous Convolution的注意力和适应性Trans-Res-UNet (ACA-ATRUNet) 的图像细分,使用基于Atrous Convolution的注意力和适应性多层次密集网络 (ACA-AMDN) 进行乳腺癌识别.
• 模型的超参数使用基于修改的长的欧亚鱼优化 (MML-EOO) 算法进行了优化.
• 使用各种指标评估绩效,并与传统方法进行比较.

主要成果:

• 拟议的深度学习框架在早期发现乳腺癌方面表现出卓越的精度率.
• 使用MML-EOO优化的ACA-ATRUNet和ACA-AMDN模型在诊断准确度方面取得了显著的改进.
• 对比分析表明,新方法在识别恶性质量损伤方面优于传统方法.

结论:

• 开发的深度学习框架为基于乳房扫描的乳腺癌查提供了有前途的进展.
• 拟议的方法有可能显著提高早期疾病检测并改善患者的治疗结果.
• 这项研究强调了先进的人工智能技术在解决医学诊断中的关键挑战方面的有效性.