一个基于自适应卷积神经网络和灰狼算法进行乳腺癌诊断的优化模型
Khaled Alnowaiser1, Abeer Saber2, Esraa Hassan3
1College of Computer Engineering and Sciences, Prince Sattam Bin Abdulaziz University, Al Kharj, Saudi Arabia.
PloS one
|August 19, 2024
概括
这项研究提高了医疗图像分类,用于早期瘤检测,使用先进的深度学习模型,如VGG16. 最优化的方法在通过乳房影像识别乳腺癌 (BC) 中实现了高准确性.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 计算机辅助诊断 (CAD) 是一种计算机辅助诊断.
背景情况:
- 医学图像分类 (IC) 对计算机辅助诊断 (CAD) 系统至关重要.
- 卷积神经网络 (CNN) 模型在IC中显示出高性能和稳定性.
- 早期检测瘤和疾病依赖于准确的图像分析.
研究的目的:
- 开发一个优化的深度学习模型,用于准确的医学图像分类.
- 提高乳腺癌 (BC) 的早期检测,使用增强的IC技术.
- 在BC分类中评估VGG16和DenseNet-121模型的性能.
主要方法:
- 使用预训练的DenseNet-121和VGG-16作为特征提取器.
- 集成的双向长期短期记忆 (BiLSTM) 层用于时间特征提取.
- 使用支持矢量机 (SVM) 和随机森林 (RF) 来进行分类,超参数通过修改的灰狼优化方法进行优化.
主要成果:
- VGG16模型在MIAS数据集上表现出强大的BC分类性能,达到99.86%的准确性.
- 在MIAS数据集中记录了高灵敏度 (99.9%),特异性 (99.7%),精度 (97.1%) 和AUC (1.0).
- 在INbreast数据集上获得了可比的结果,总准确率为99.4%.
结论:
- 建议的优化深度学习模型,特别是VGG16,对乳腺癌分类非常有效.
- 整合CNN,BiLSTM和优化技术显著提高了诊断准确度.
- 这种方法显示了改善医学成像中早期瘤检测的巨大潜力.
