BCED-Net:乳腺癌综合诊断网络使用转移学习和XGBoost分类器与乳房图像

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,早期和准确的检测对生存至关重要.
• 深度学习对乳腺癌诊断有希望,但面临着高维数据和过拟合的挑战.
• 2020年全球超过685,000人死亡,突显了改善诊断工具的迫切需要.

研究的目的:

• 开发一个先进的深度学习框架,以改善乳腺癌诊断.
• 克服现有方法的局限性,包括高维数据处理和过拟合.
• 提高自动乳腺癌检测系统的准确性和现实世界的适用性.

主要方法:

• 拟议的BCED-Net (乳腺癌综合诊断网络) 使用转移学习和XGBoost分类器.
• 从多个预训练深度卷积神经网络 (Resnet50,EfficientnetB3,VGG19,Densenet121,ConvNeXtiny) 中提取的特征.
• 集合了Resnet50,EfficientnetB3和ConvNeXtTiny的功能,使用XGBoost进行分类以获得最佳性能.

主要成果:

• 整体模型实现了0.89.9的高整体精度.
• 精度,回忆和F1得分均为0.86,表明诊断性能强.
• 结果表明,他们能够平衡地识别积极病例,并尽量减少虚假阴性病例.

结论:

• BCED-Net在乳腺癌检测方面取得了重大进展.
• 该框架有效地解决了与高维数据和模型过拟合相关的挑战.
• 这种方法显示出提高诊断工具在临床环境中的准确性和可靠性的潜力.