混合特征乳房镜分析:检测和定位微结合了加博,普里维特,GLCM特征和顶帽过,并与CNN架构增强了顶帽过
Miguel Alejandro Hernández-Vázquez1, Yazmín Mariela Hernández-Rodríguez1, Fausto David Cortes-Rojas2
1Departamento de Tecnologías Avanzadas, UPIITA-Instituto Politécnico Nacional, Av. Instituto Politécnico Nacional 2580, Ciudad de México 07340, Mexico.
Diagnostics (Basel, Switzerland)
|August 10, 2024
概括
本研究引入了一种使用特征提取和卷积神经网络 (CNN) 的混合方法,以改善乳房镜中的微化检测. 该方法通过实现高精度和灵敏度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:
- 乳腺癌是导致死亡的主要原因,早期检测对于改善患者的治疗结果至关重要.
- 乳房影像上的微化是早期乳腺癌的关键指标,但其识别可能具有挑战性.
- 目前的检测方法在准确识别微妙的微化方面存在局限性.
研究的目的:
- 开发和评估混合特征提取和卷积神经网络 (CNN) 模型,以提高乳房镜中微化的检测和定位.
- 与现有方法相比,提高微化识别的准确性和灵敏性.
主要方法:
- 采用了混合特征提取技术,结合了Gabor,Prewitt和Gray Level Co-occurrence Matrix (GLCM) 核心.
- 一个CNN架构与卷积,ReLU和maxpooling层被设计用于分类.
- 预处理涉及对比度增强 (VOI LUT) 和区域细分;用于定位的顶帽过器.
主要成果:
- 提出的方法的准确率为89.56%,灵敏度为82.14%,特异性为91.47%.
- 性能超过了相关工作,这些工作通常报告精度约为85-87%,灵敏度为76-81%.
- 该系统展示了有效的检测和微化的精确定位.
结论:
- 将传统特征提取与深度学习 (CNN) 结合起来,显著提高了微化检测和定位.
- 这种由人工智能驱动的系统可以作为放射科医生的辅助工具,改善早期乳腺癌检测并减少诊断错误.
