乳腺癌的检测和分类与数字乳腺图片合成:一个两阶段的深度学习方法
1King Saud University, College of Applied Medical Sciences, Department of Radiological Sciences, Riyadh, Saudi Arabia.
Diagnostic and interventional radiology (Ankara, Turkey)
|December 9, 2024
概括
这项研究引入了一种新的两阶段深度学习系统,用于乳腺癌查. 该系统准确地分类数字乳腺图片合成图像,并使用先进的人工智能模型检测癌症瘤.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 数字乳腺图莫合成 (DBT) 对于乳腺癌检测至关重要.
- 在DBT图像中准确的分类和病变检测仍然具有挑战性.
- 深度学习 (DL) 提供了提高诊断准确性的潜力.
研究的目的:
- 为DBT图像提出一种新的计算机辅助两阶段诊断系统.
- 为图像分类增强深度学习 (DL) 架构 (VGG19).
- 整合您只看一次版本5 (YOLOv5) 与卷积块注意模块 (CBAM) 进行瘤检测和分类 (良性/癌症).
主要方法:
- 开发了一个修改后的VGG19架构,附加了额外的层 (批量规范化,聚合).
- 卷积块注意模块 (CBAM) 被纳入了YOLOv5模型 (YOLOv5-CBAM).
- 在一个大数据集上进行了实验,其中包括来自5,060名患者的22,032次DBT检查.
主要成果:
- 与以前的模型相比,修改后的VGG19显示了DBT图像的更高的分类准确性.
- YOLOv5-CBAM有效地区分了良性和恶性病变.
- 在测试准确性,训练损失和训练准确性方面观察到更好的表现.
结论:
- 修改后的VGG19在DBT图像的分类中比现有的预训练模型更准确.
- YOLOv5-CBAM精确地区分良性病变和癌症病变.
- 拟议的双层DL系统提高了乳腺癌查和诊断的准确性,效率和可靠性.
