完善乳腺癌分类:定制的注意力集成方法与密集和残留网络,以加强检测
Mohammad Sakif Alam1, Anwar Hossain Efat2, Sm Mahedy Hasan1
1Department of Computer Science and Engineering, Rajshahi University of Engineering & Technology, Rajshahi, Bangladesh.
Digital health
|January 8, 2025
概括
这项研究引入了一个新的机器学习框架,用于准确的乳腺癌分类. 密度-响应网注意力集成 (DRAI) 与三级集成 (TLE) 实现了99.58%的准确性,改善了早期检测.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 计算生物学 计算生物学
背景情况:
- 准确的乳腺癌检测对于有效治疗至关重要.
- 自动化系统可以提高诊断速度,减少人为错误.
研究的目的:
- 制定一个强大的框架,将乳腺瘤分类为良性或恶性.
- 利用一种新的机器学习架构来提高准确性.
主要方法:
- 提出了一个密集-ResNet注意力集成 (DRAI) 架构.
- 集成的DenseNet和ResNet,配有注意力机制,用于增强特征提取.
- 采用三级组合 (TLE) 方法来组合多个模型.
主要成果:
- 在分类乳腺癌方面取得了99.58%的准确性.
- 与现有方法相比,表现出优越的性能.
- 强调了融合架构在减少诊断错误方面的有效性.
结论:
- 使用TLE的DRAI架构为乳腺癌分类提供了一个可靠的自动化框架.
- 这种高精度支持自动诊断的进步.
- 为帮助早期发现乳腺癌提供了一种有价值的工具.
