CICADA (UCX):通过侵略性划分来进行自动化乳腺癌分类的新方法
Davinder Paul Singh1, Tathagat Banerjee2, Pawandeep Kour3
1Department of Computer Science and Engineering, School of Technology, Pandit Deendayal Energy University, Gandhinagar, Gujarat, India.
Computational biology and chemistry
|February 6, 2025
概括
小说猎启发的凸自适应歧视算法与Unet Convenet Xt (CICADA) (UCX) 显著提高了乳腺癌细分的准确性. 这种先进的模型提高了攻击性瘤特征的诊断精度,超过了医疗图像分析中的现有方法.
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:
- 乳腺癌细分对于诊断至关重要,但面临着手动方法和瘤变异性的挑战.
- 需要自动化细分系统来提高临床环境中的效率,准确性和可重复性.
- 现有的技术与多样化的瘤形态以及需要广泛的注释数据集作斗争.
研究的目的:
- 引入和评估一种新的医学图像细分模型,CICADA (UCX),用于乳腺癌.
- 为了提高诊断精度,对侵略性瘤特征进行分类,并提高细分精度.
- 将CICADA (UCX) 与乳腺癌细分的最先进方法进行比较.
主要方法:
- 开发了以猎为灵感的凸自适应歧视算法,使用了UNET Convenet Xt (CICADA) (UCX) 模型.
- 整合了各种特征选择技术,包括粒子集群优化,龙和灰狼.
- 使用关键绩效指标对当前先进的细分技术进行严格的比较分析.
主要成果:
- 国际货币交易所 (UCX) 在欧盟 (IOU) 上实现了96.34%的平均交叉点,子系数/F1得分为99.6461%,曲线下的面积 (AUC) 为99.88%.
- 该模型在细分精度方面表现出优越的性能,与现有的最先进的方法相比.
- 该研究强调了CICADA (UCX) 在准确的医学结构划分和侵略性瘤特征的分类方面的有效性.
结论:
- CICADA (UCX) 在乳腺癌的医学图像细分方面取得了重大进展.
- 该模型提供了更好的诊断准确性和运营效率,使临床医生和患者都受益.
- 这项工作有助于在医学成像中开发更精确的计算机辅助诊断工具.
