弗拉明戈搜索帆鱼优化器基于SqueezeNet用于使用MRI图像检测乳腺癌

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 计算生物学 计算生物学

背景情况:

• 乳腺癌是影响女性的主要癌症,需要准确和早期检测方法.
• 乳腺磁共振成像 (MRI) 对于诊断和治疗评估至关重要,但可能耗时.
• 早期检测显著改善了患者的治疗结果和治疗疗效.

研究的目的:

• 开发一个高效和准确的系统,利用乳腺核磁共振 (MRI) 早期检测乳腺癌.
• 提高深度学习模型在乳腺癌识别中的性能.
• 为训练这些模型引入一种新的优化算法.

主要方法:

• 一个多步骤的过程,涉及预处理 (中间波器),细分 (Psi-Net) 和增强 (剪切,翻译,裁剪).
• 特性提取包括形状特征,完成的局部二进制模式 (CLBP),定向梯度的金字塔直方图 (PHOG) 和统计特征.
• 使用深度学习模型 (SqueezeNet) 进行癌症检测,使用新的Flamingo搜索SailFish优化器 (FSSFO) 进行训练,这是Flamingo搜索算法 (FSA) 和SailFish优化器 (SFO) 的混合体.

主要成果:

• 提出的方法成功地将图像处理技术与深度学习相结合,用于乳腺癌检测.
• 新的FSSFO算法在优化Psi-Net和SqueezeNet模型的训练方面表现出有效性.
• 综合方法旨在提高MRI扫描的乳腺癌诊断的准确性和效率.

结论:

• 开发的系统提供了一种有前途的方法,通过自动分析乳腺MRI来增强早期乳腺癌检测.
• 通过将FSSFO与深度学习模型集成,在瘤学计算方法方面取得了重大进展.
• 建议进一步验证,以确定这种先进的乳腺癌检测系统的临床实用性.