通过混合深度学习模型推进乳房超声波诊断
Ajmeera Kiran1, Janjhyam Venkata Naga Ramesh2, Irfan Sadiq Rahat3
1Department of Computer Science and Engineering,MLR Institute of Technology, Dundigal, Hyderabad, Telangana, 500043, India.
Computers in biology and medicine
|August 14, 2024
概括
新的EfficientKNN模型结合了EfficientNetB3和k-Nearest Neighbors,实现了卓越的医疗图像分类,达到100%的准确性. 这种混合方法增强了早期诊断和治疗规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 医学成像对于识别异常至关重要,能够及时诊断和治疗.
- 准确的医学图像分类对于明智的临床决策至关重要.
研究的目的:
- 引入EfficientKNN模型,一种混合深度学习方法,用于增强医疗图像分类.
- 将EfficientKNN的性能与传统模型和单独的EfficientNetB3进行评估.
主要方法:
- 使用EfficientNetB3作为特征提取器,其次是GlobalAveragePooling2D和可选的主要组件分析 (PCA).
- 采用优化的k-最近邻近 (k-NN) 算法进行分类,通过交叉验证进行微调.
- 在使用数据增强,细分和整体优化算法的医疗图像精选数据集上训练模型.
主要成果:
- 在多次测试中,EfficientKNN实现了100%的准确性,在准确性,精度和F1分数方面超过了VGG16,AlexNet,VGG19和EfficientNetB3单独.
- 在关键分类指标中表现优越.
结论:
- EfficientKNN模型代表了医学图像分类的重大进步.
- 该模型显示了对现实世界诊断应用的潜力,因为它的准确性,可扩展性和效率.
- 通过将深度学习与可解释的k-NN结合起来,EfficientKNN可以提高诊断准确度和临床适用性.
