一个混合的功能是基于融合的框架,用于使用超声波来分类乳腺微块
1College of Applied Computer Science, King Saud University, Riyadh, 11543, Saudi Arabia. mhajlah@ksu.edu.sa.
BMC medical imaging
|September 20, 2024
概括
一个新的混合深度学习系统准确诊断乳腺癌病变,准确率超过95%. 这种计算机辅助诊断工具协助放射科医生,通过早期检测恶性瘤,有可能改善患者的治疗结果.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌仍然是全球主要的健康问题,死亡率很高.
- 早期发现乳腺微块对于改善患者预后至关重要.
- 超声波是关键的诊断工具,但它的有效性取决于放射科医生的专业知识.
研究的目的:
- 开发一种混合卷积神经网络 (CNN) 系统,用于对良性和恶性乳腺癌病变进行分类.
- 为了利用已建立的CNN模型 (InceptionV3,MobileNetV2) 进行增强的功能提取.
- 调查不同分类器对乳腺病变的计算机辅助诊断的有效性.
主要方法:
- 一个混合CNN框架是使用InceptionV3和MobileNetV2.2开发的.
- 从这两种模型中提取和连接两个模型的特征,以创建一个全面的特征集.
- 针对病变分类的综合特征,应用了各种分类器.
主要成果:
- 混合模型在区分良性和恶性乳腺病变方面取得了很高的准确性.
- 软max分类器提供了最好的性能,超过95%的准确性.
- 开发的系统展示了AI在提高诊断准确性的潜力.
结论:
- 计算机辅助诊断系统通过减少工作量和增强诊断能力,显著帮助放射科医生.
- 这项研究为开发用于乳腺癌检测的先进临床解决方案提供了基础.
- 进一步的发展可以导致更容易获得和更准确的乳腺癌诊断.
