使用SqueezeNet-SVM进行乳腺癌检测的量子优化方法.
Anas Bilal1,2, Ali Alkhathlan3, Faris A Kateb4
1College of Information Science and Technology, Hainan Normal University, Haikou, 571158, China.
Scientific reports
|January 25, 2025
概括
一种新的混合方法,Q-BGWO-SQSVM,通过优化乳房影像分析来提高早期乳腺癌检测. 这种精确而灵敏的计算机辅助诊断系统显示了改善医疗保健结果的有希望的结果.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 计算生物学 计算生物学
背景情况:
- 早期发现乳腺癌对于降低死亡率和提高治疗疗效至关重要.
- 目前用于乳房扫描的计算机辅助诊断 (CAD) 系统面临着过度适配和数据依赖等挑战.
- 需要更可靠,更适应的CAD系统来准确地分类乳腺癌.
研究的目的:
- 引入一种新的混合方法,Q-BGWO-SQSVM,以提高乳腺癌分类精度.
- 通过提高适应性和减少对大规模注释数据集的依赖来解决现有CAD系统的局限性.
- 开发一种更灵敏,更可靠的CAD系统,用于早期发现乳腺癌.
主要方法:
- 这是一种混合方法,它结合了SqueezeNet用于特征提取和改进的量子灵感二进制灰狼优化器 (Q-BGWO) 来优化支持向量机 (SVM) 参数.
- 利用SqueezeNet的防火模块和绕过机制,从乳房图像中提取不同的特征.
- 通过Q-BGWO优化SVM参数,以提高乳腺癌分类的性能.
主要成果:
- 该Q-BGWO-SQSVM模型在多个数据集 (MIAS,INbreast,DDSM,CBIS-DDSM) 中表现出色.
- 在CBIS-DDSM数据集上使用15倍交叉验证实现了高精度 (99%),灵敏度 (98%) 和特异性 (100%).
- 在准确度,灵敏度,特异性,精度,F1分数和MCC方面超越了最先进的分类方法.
结论:
- 拟议的Q-BGWO-SQSVM模型为早期乳腺癌检测提供了可靠和准确的解决方案.
- 该系统的复杂性能和适应性显示了在各种成像条件下更广泛应用的潜力.
- 在CAD系统的这种进步对于进一步发展乳腺癌诊断和医疗保健至关重要.
