Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Improved DeTraC Binary Coyote Net-Based Multiple Instance Learning for Predicting Lymph Node Metastasis of Breast Cancer From Whole-Slide Pathological Images.

The international journal of medical robotics + computer assisted surgery : MRCAS·2024
查看所有相关文章

相关实验视频

Updated: May 29, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

455

一个高效的轻量级多头注意力 Gannet 卷积神经网络基于乳房图的分类.

Ramkumar Muthukrishnan1, Ashok Balasubramaniam2, Vijaipriya Krishnasamy3

  • 1Electronics and Communication Engineering, Sri Krishna College of Engineering and Technology, Coimbatore, India.

The international journal of medical robotics + computer assisted surgery : MRCAS
|February 8, 2025
PubMed
概括

深度学习通过使用一种新的轻量级多头注意力Gannet卷积神经网络 (LMGCNN) 来增强乳腺癌检测. 这种自动化系统在分类乳房造影时达到很高的准确性,改善了早期诊断和患者的结果.

关键词:
注意力机制注意力机制乳腺癌 乳腺癌 乳腺癌图形化用户界面 图形化用户界面轻量级神经网络是一种轻量级的神经网络.进行乳房影像 (mammograms) 检查.

更多相关视频

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

353
Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns
13:44

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns

Published on: August 30, 2013

42.7K

相关实验视频

Last Updated: May 29, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

455
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

353
Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns
13:44

Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns

Published on: August 30, 2013

42.7K

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:

  • 乳腺癌自动检测在乳房影像中对于早期诊断至关重要.
  • 挑战包括时间限制,特征提取困难和有限的培训数据.
  • 深度学习为这些局限性提供了一个有希望的解决方案.

研究的目的:

  • 开发一个自动化的深度学习系统,以改善乳腺癌检测和分类在乳房影像.
  • 为了解决医疗专业人员在乳房影像分析中所面临的挑战.

主要方法:

  • 介绍一个轻量级多头注意力大鱼卷积神经网络 (LMGCNN) 用于乳房影像分类.
  • 图像增强技术包括子过,不清晰的掩饰和自适应式直方图等级.
  • 使用灰级共发生矩阵 (GLCM) 进行特征提取,并通过具有人工蜂群的自适应量子平衡优化器进行优化选择.

主要成果:

  • 在CBIS-DDSM和MIAS数据集上评估了LMGCNN模型.
  • 在各自的数据集上实现了98.2%和99.9%的高准确率.
  • 与现有模型相比,在乳腺癌检测方面表现优越.

结论:

  • 开发的方法显示了在帮助早期和准确的乳腺癌检测方面显著的潜力.
  • 这一进步可以通过及时诊断和治疗来改善患者的治疗结果.