通过使用医学成像学中的深度学习框架,提高了乳腺癌早期检测的准确性
Richa1, Bachu Dushmanta Kumar Patro1
1Department of Computer Science and Engineering, Rajkiya Engineering College, Kannauj, India; Affiliated with Abdul Kalam Technical University(AKTU), Jankipuram Vistar, Lucknow, Uttar Pradesh, 226031, India.
Computers in biology and medicine
|January 30, 2025
概括
一个新的深度学习框架在医学图像中准确检测乳腺癌 (BC). 这种人工智能方法可以改善早期诊断,通过提高精度,潜在地降低死亡率.
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) 是女性最常见的癌症,需要早期检测才能有效治疗.
- 医学成像技术对于早期的BC检测至关重要,但往往需要准确性纠正.
研究的目的:
- 用医学图像引入一种新的深度学习方法,用于早期检测乳腺癌 (BC).
- 通过将卷积神经网络 (CNN) 与特征选择和融合方法相结合,提高BC检测的准确性.
主要方法:
- 一个深度学习框架 (DLF),使用多层次的人工神经网络进行BC图像分类.
- 整合CNN与特征选择和融合技术,以提高诊断精度.
主要成果:
- DLF实现了高性能指标:94.93%的准确率,93.66%的精度,89.21%的回忆率和98.86%的F1分数.
- 该方法证明了卷积循环网络的可扩展性增加.
- 在特定位置精确检测癌症瘤.
结论:
- 拟议的DLF自动化功能学习和提取,优于依赖于手动功能选择的传统方法.
- 这种自动化方法为早期发现乳腺癌提供了更强大,更准确的解决方案.
