一种最佳的深度学习方法用于乳腺癌检测和分类,采用预训练的基于CNN的特征学习机制
1Department of Computer Science and Engineering, R.M.D. Engineering College, Tiruvallur, India.
Journal of biomolecular structure & dynamics
|November 27, 2024
概括
这项研究引入了一种深度学习系统,用于使用超声波图像进行早期乳腺癌 (BC) 检测. 这种新的方法在分类正常,良性和恶性瘤方面达到99.86%的准确性.
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) 是全球女性的主要死亡原因.
- 早期发现可显著改善治疗结果,降低死亡率.
- 超声波成像是早期BC检测的常见工具,但瘤细分和分类仍然具有挑战性.
研究的目的:
- 提出一个最佳的深度学习 (DL) 系统,以通过超声波图像准确检测乳腺癌.
- 使用先进的DL模型来增强瘤细分和特征提取.
- 用高精度将乳腺病变分为正常,良性和恶性类别.
主要方法:
- 使用乳房超声波图像 (BUSI) 数据集进行培训和验证.
- 实施了预处理技术,包括维纳过以消除噪音和基因图平衡以增强对比度.
- 采用基于扩展卷积的U形网络 (DCUNet) 来进行瘤细分.
- 用密集连接的卷积网络-121 (SCADN-121) 进行特征学习.
- 应用了一种增强的古怪搜索优化 (ECSO) 算法,以实现最佳的功能选择.
- 使用ECSO调节的长期短期记忆 (ECSO-LSTM) 模型对乳腺癌进行分类.
主要成果:
- 拟议的系统在分类乳腺癌方面达到99.86%的高精度.
- 先进的细分,功能学习和优化的综合方法展示了卓越的性能.
- 该系统有效地区分正常,良性和恶性乳腺病变.
结论:
- 开发的DL系统为使用超声波检测乳腺癌提供了高度准确和有效的解决方案.
- DCUNet,SCADN-121,ECSO和ECSO-LSTM的组合显著提高了分类性能.
- 这种方法有望提高早期乳腺癌诊断和患者管理.
