通过EfficientNet-B7和可解释AI彻底改变乳房超声波诊断
M Latha1, P Santhosh Kumar1, R Roopa Chandrika2
1Department of Information Technology, SRM Institute of Science and Technology, Ramapuram, Chennai, India.
BMC medical imaging
|September 2, 2024
概括
这项研究引入了一种先进的EfficientNet-B7模型用于乳房超声波图像分类,达到99.14%的准确性. 可解释性AI (XAI) 增强了可靠早期乳腺癌检测的模型透明度.
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:
- 乳腺癌是全球主要的健康问题,需要准确的诊断工具.
- 目前的卷积神经网络 (CNN) 方法面临着不平衡的数据集和乳房超声波分类中微妙的图像变化所带来的挑战.
- 这限制了诊断的准确性,特别是在恶性瘤.
研究的目的:
- 开发一个强大的和可解释的乳房超声波图像分类系统.
- 通过解决类不平衡和增强模型稳定性来提高诊断准确性.
- 提高自动乳腺癌检测系统的可靠性和临床采用.
主要方法:
- 在乳房超声波图像 (BUSI) 数据集上微调 EfficientNet-B7 架构.
- 采用数据增强技术 (RandomHorizontalFlip,RandomRotation,ColorJitter) 来提高少数阶级的代表性.
- 整合可解释AI (XAI) 方法,特别是Grad-CAM,以实现模型可解释性.
主要成果:
- 实现了乳房超声波图像的高分类准确率99.14%.
- 与传统的基于CNN的方法相比,表现出更高的性能.
- XAI技术提供了对分类决策过程的视觉见解.
结论:
- 拟议的EfficientNet-B7框架与XAI提供了一个高度准确和可解释的解决方案来诊断乳腺癌.
- 该方法有效地处理类不平衡,并增强模型的稳定性.
- 这种方法支持临床决策,并推进用于早期发现乳腺癌的自动诊断能力.
