计算机辅助检测和诊断乳房图像中的癌症区域使用资源高效的CNN架构
Helan Vidhya Thankaraj1, Manikandan Thiyagarajan2
1Assistant Professor (S.G) Electronics and Communication Engineering, Rajalakshmi Engineering College, Thandalam, Chennai, India
Current medical imaging
|August 15, 2024
概括
这项研究引入了资源高效卷积神经网络 (RECNN) 用于乳房镜分类,准确检测健康,良性和癌症组织. 该系统实现了高准确性,超过了现有的女性早期癌症检测方法.
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:
- 通过乳房扫描早期发现乳腺癌对于改善患者的治疗结果至关重要.
- 计算机辅助诊断系统可以提高乳房图解读的准确性和效率.
研究的目的:
- 开发和评估一个资源高效的卷积神经网络 (RECNN) 用于分类乳房图像.
- 准确区分健康,良性和癌症乳腺组织.
- 进一步将癌症组织分类为"早期"或"严重"阶段.
主要方法:
- 拟议的系统包括一个数据增强 (DA) 模块和一个用于空间频率转换的空间图形转换.
- 用于图像分类的CNN架构配有称为RECNN的分段模块.
- 该系统使用DDSM和MIAS乳腺扫描数据集进行了验证.
主要成果:
- 哺乳镜分类和诊断系统 (MCDS) 在DDSM和MIAS数据集上实现了高性能指标,包括灵敏度 (SeDR) 和特异性 (SpDR).
- 对于DDSM数据集中的良性病例,MCDS获得了高达98.94%的SeDR和高达98.93%的SpDR.
- 在MIAS数据集中,MCDS在良性病例中实现了98.89%的SeDR和98.88%的SpDR.
结论:
- 拟议的基于RECNN的MCDS表现出优越的性能,与最先进的乳房镜分类方法相比.
- 该系统显示了提高乳腺癌诊断的准确性和可靠性的巨大潜力.
- 这种先进的系统有助于早期检测和诊断女性乳腺癌.
