使用混合CNN和极端学习机器进行乳腺癌检测和分析

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 早期发现乳腺癌可显著提高全球的生存率.
• 乳房摄影是一种关键的诊断工具,但图像分析算法仍然存在挑战.
• 计算机辅助诊断 (CAD) 系统对于提高诊断准确性至关重要.

研究的目的:

• 开发和评估一种混合计算机辅助诊断 (CAD) 模型,用于增强乳腺癌检测,细分和分类.
• 用先进的机器学习技术提高乳腺癌诊断的准确性和效率.
• 为了解决选择适当的算法进行乳房图分析的研究挑战.

主要方法:

• 开发了一种混合模型,将卷积神经网络 (CNN) 与剪裁组合的极端学习机器 (HCPELM) 结合起来.
• 该模型使用修正线性单元 (ReLU) 激活功能来进行增强的数据分析和文物删除.
• 通过结特定层并修改架构来减少有效检测癌症的参数,采用了转移学习技术.

主要成果:

• 混合HCPELM模型在MIAS数据库上实现了86%的乳腺图像识别准确度.
• 与基准深度学习模型相比,拟议的模型表现优越.
• 该系统有效地进行了图像增强,细分,特征提取和分类.

结论:

• 在早期发现和诊断乳腺癌方面,HCPELM混合分类器表现出卓越的性能.
• 这种先进的CAD系统可以显著帮助医疗保健从业者诊断乳腺癌.
• 开发的模型提供了一个有前途的解决方案,以改善乳房影像分析和患者的结果.