基于BCDNet的有效乳腺癌分类模型使用混合深度学习与基于VGG16的最佳特征提取.
Meenakshi Devi P1, Muna A2, Yasser Ali3
1Department of Information Technology, K.S.R. College of Engineering, Tiruchengode, Tamilnadu, 637215, India.
BMC medical imaging
|January 8, 2025
概括
一个新的深度学习模型,BCDNet,准确地从超声波图像中分类乳腺瘤,达到94.5%的准确性. 这一进步有助于早期发现乳腺癌,可能挽救生命.
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:
- 乳腺癌是妇女死亡的主要原因,需要早期检测以改善存活率.
- 手动诊断是耗时和主观的;现有的CAD模型在超声波图像变化方面扎.
- 超声波是乳腺癌查的经济有效,便携和非侵入性成像方式.
研究的目的:
- 开发一种有效的深度学习模型 (BCDNet) 以使用超声波图像进行精确的乳腺瘤分类 (良性与恶性).
- 使用RPAOSM-ESO算法优化模型性能,以提高准确性和减少虚假负面.
- 促进乳腺癌早期检测,降低死亡率.
主要方法:
- BCDNet模型使用VGG16的转移学习来进行特征提取.
- 它包含一个AHDNAM分类方法:ASPP,DTCN,1DCNN,以及一个注意力机制.
- 在RPAOSM-ESO算法微调模型重量和参数.
主要成果:
- 在RPAOSM-ESO-BCDNet模型中,准确度达到94.5%.
- 这一表现超过了以前的DTCN (88.2%),1DCNN (89.6%),MobileNet (91.3%) 和ASPP-DTC-1DCNN-AM (93.8%) 等模型.
- 该模型在通过超声波图像对乳腺瘤进行分类时表现出卓越的准确性.
结论:
- 由RPAOSM-ESO优化的BCDNet模型显示,使用超声波对精确的乳腺瘤分类具有显著的前景.
- 它可以作为早期发现乳腺癌的宝贵工具.
- 该模型有可能改善患者的治疗结果,并降低医疗保健负担.
