通过将计算机视觉与基于融合的联合转移学习相结合,通过使用多模式医疗图像进行增强的乳腺癌诊断
S Iniyan1, M Senthil Raja1, R Poonguzhali2
1Department of Computing Technologies, School of Computing, SRM Institute of Science and Technology, Kaatankulathur, Chennai, 603203, India.
Scientific reports
|November 17, 2024
概括
这项研究引入了一种新的计算机视觉与融合联合转移学习用于乳腺癌诊断 (CVFBJTL-BCD) 技术. 它在使用多模式医学成像和深度学习模型检测乳腺癌方面实现了高精度.
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 (BC) 诊断在很大程度上依赖于早期检测,以获得有效的治疗和改善患者生存率.
- 由于图像质量和乳腺密度的差异,当前的诊断方法面临挑战,这可能导致病变的错误分类.
- 多模式医学成像和机器学习 (ML) 的进步显示了增强BC分析的前景.
研究的目的:
- 提出一种新的计算机视觉与融合联合转移学习用于乳腺癌诊断 (CVFBJTL-BCD) 技术.
- 利用多模式医学成像和深度学习 (DL) 进行准确有效的BC检测和诊断.
- 改进现有的BC分类和分级方法.
主要方法:
- 在CVFBJTL-BCD技术中,使用Gabor过 (GF) 来减少医疗图像中的噪声.
- 一种基于融合的联合转移学习 (TL) 方法集成了DenseNet201,InceptionV3和MobileNetV2模型.
- 堆叠自编码器 (SAE) 用于BC诊断分类,参数由马群优化算法 (HHOA) 优化.
主要成果:
- 在两个基准数据集上,CVFBJTL-BCD技术表现出卓越的性能.
- 在组织病理学数据集上达到98.18%的高准确率,在超声数据集上达到99.15%的高准确率.
- 在乳腺癌诊断准确度方面表现优于现有方法.
结论:
- 拟议的CVFBJTL-BCD技术有效地利用多模式成像和DL进行准确的乳腺癌诊断.
- 结合TL模型和SAE与HHOA优化,显著提高了诊断准确度.
- 这种方法为计算机辅助乳腺癌检测系统提供了有前途的进步.
更多相关视频
08:32Using Computer-based Image Analysis to Improve Quantification of Lung Metastasis in the 4T1 Breast Cancer Model
Published on: October 2, 2020
6.2K
07:13Author Spotlight: An Efficient and Robust Software for Automated Fusion of Multiple Preclinical Imaging Modalities
Published on: October 27, 2023
1.1K
