一种基于轻量级混合扩展幽灵模型的方法来预测乳腺癌的预后
Edwin Ramirez-Asis1, Romel Percy Melgarejo Bolivar2, Leonid Alemán Gonzales2
1Universidad Nacional Santiago Antunez de Mayolo, Huaraz, Peru.
Computational intelligence and neuroscience
|September 12, 2024
概括
这项研究提出了一种新的深度学习模型,用于增强乳腺瘤细分和在数字乳房影像中检测恶性瘤. 该模型在识别恶性细胞和分类瘤家族方面实现了高精度,提高了诊断能力.
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:
- 传统的瘤细分依赖于交互的先验,这可能是劳动密集的.
- 数字造乳镜需要先进的技术来准确检测和分类瘤.
- 随着恶性病例的增加,需要有效和自动化的诊断工具.
研究的目的:
- 开发一个自动化的,端到端的深度学习模型用于乳腺瘤细分.
- 为了提高瘤检测和恶性瘤的分类在数字乳房影像.
- 创建一个适合实际部署的轻量级模型,具有性能和能源限制.
主要方法:
- 一个完全卷积式的网络架构,用于端到端的细分.
- 利用多尺度图像信息来改善瘤检测.
- 使用DenseNet改进的随机通道注意力机制用于恶性瘤检测和分类.
- 将损失函数调整为瘤像素分数,以防止过度拟合.
主要成果:
- 拟议的模型显示了增强的细分精度.
- 在检测恶性细胞方面达到99.3%的准确性.
- 在瘤家族分类中达到98.5%的准确性.
- 该模型有效地自动对各种瘤大小和形状进行细分.
结论:
- 这种新的深度学习模型为乳腺瘤细分和恶性瘤分析提供了高度准确和高效的解决方案.
- 轻量级的设计使其适用于资源有限的现实应用.
- 这种方法显著提升了数字造乳镜中的自动化癌症诊断.
