基于深度转移学习的层次CAD系统设计用于SFM图像
Jyoti Rani1, Jaswinder Singh2, Jitendra Virmani3
1CSEDepartment, GZSCCET, MRSPTU, Bathinda, India.
Journal of medical engineering & technology
|February 14, 2025
概括
这项研究开发了一种混合层次深度学习系统,用于分类乳腺图像质量. 该系统在区分良性和恶性瘤方面取得了高精度,有助于诊断乳腺癌.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 精确的分类乳房扫描质量对于有效的乳腺癌诊断至关重要.
- 层次分类框架为分析复杂的医疗数据提供了一个结构化的方法.
- 深度转移学习模型在医学图像分析任务中表现有前途.
研究的目的:
- 开发和评估一个分层的深度转移学习框架,用于分类乳腺样本.
- 在层次结构中比较不同深度转移学习模型的性能.
- 创建一个混合的等级计算机辅助诊断 (CAD) 系统,以改善质量分类.
主要方法:
- 利用了DDSM数据集,包括518张乳腺扫描大规模图像,分为良性,可疑和恶性类别.
- 采用双节点层次分类框架:节点1将质量分类为可能是良性的或可疑的异常;节点2进一步分类可疑的质量.
- 实验了包括VGG16,VGG19,GoogleNet和ResNet50在内的深度转移学习模型,用于特征提取和分类.
主要成果:
- 在节点1上,VGG19模型实现了93%的准确性,在节点2上,VGG16实现了90%的准确性.
- 结合VGG19 (节点1) 和VGG16 (节点2) 的混合层次CAD系统的整体准确率达到88%.
- 使用VGG19/ANFC-LH和VGG16/ANFC-LH分类器的进一步完善的混合系统实现了92%的最高分类准确率.
结论:
- 拟议的混合层次CAD系统显示出对乳腺样本的准确,逐步分类的巨大潜力.
- 深度转移学习模型,当集成到一个层次框架,可以增强在乳房镜中的诊断能力.
- 这些发现表明,这些先进的AI系统在改善乳腺癌检测和诊断方面具有临床实用性.
