创新的乳腺癌检测使用分段导向整体分类框架
1Computer Science and Engineering, IFET College of Engineering, Villupuram, Tamilnadu India.
Biomedical engineering letters
|January 9, 2025
概括
这项研究提出了一种用于乳腺癌 (BC) 检测的新深度学习模型. 该模型在通过超声波图像识别恶性,良性和正常乳腺瘤时达到99.57%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) 是一个主要的全球健康问题,需要改进早期检测方法.
- 当前的深度学习模型经常错过小质量,导致诊断错误.
- 准确的BC诊断对于降低发病率和死亡率至关重要.
研究的目的:
- 开发一种新的细分导向分类模型,以提高乳腺癌检测准确度.
- 为了改善恶性,良性和正常乳腺瘤类别的识别.
- 为了减少BC诊断中的假阳性和假阴性结果.
主要方法:
- 采用了两阶段的方法:第一阶段使用了注意力U-Net进行乳腺癌细分,重点关注可疑区域.
- 第二阶段引入了一种集成分类方法,采用多种特征提取,基础分类器 (SVM,决策树,KNN,ANN) 和随机森林元分类器.
- 细分结果指导了整体分类器进行精确的兴趣区域分析.
主要成果:
- 综合模型在超声波图像数据集上实现了99.57%的整体准确性.
- 细分性能达到了95%的F1分数,表明识别相关领域的高精度.
- 该模型对恶性,良性和正常的乳腺组织表现出强大的区分能力.
结论:
- 分段导向组合模型显著提高了乳腺癌检测准确度.
- 这种方法提高了区分各种乳腺瘤类型的能力.
- 这种模型所促进的早期和准确的检测可以导致更好的患者结果和降低死亡率.
