基于机器学习的方法从乳房图片估计乳腺密度:一个全面的审查
Khaldoon Alhusari1, Salam Dhou1
1Department of Computer Science and Engineering, American University of Sharjah, Sharjah P.O. Box 26666, United Arab Emirates.
Journal of imaging
|February 25, 2025
概括
精确的乳腺密度估计从乳房影像对于早期发现乳腺癌至关重要. 机器学习,特别是像CNN这样的深度学习模型,显示出希望,但在主观性和成本方面面临挑战.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学瘤学.
- 医疗保健中的人工智能
背景情况:
- 乳腺癌是女性最常见的癌症,乳腺密度是一个重要的风险因素.
- 高乳腺密度可以掩盖乳房图片上的瘤,降低检测灵敏度.
- 准确的乳腺密度评估对于风险分层和早期诊断至关重要.
研究的目的:
- 进行一项全面的审查乳房图密度估计技术.
- 专注于基于机器学习的方法来评估乳腺密度.
- 确定当前的局限性,并建议未来的研究方向.
主要方法:
- 对基于视觉,软件,机器学习和细分的方法进行审查,以估计乳腺扫描密度.
- 机器学习方法的分类为传统和深度学习方法.
- 分析常用的模型,如支持向量机 (SVM) 和卷积神经网络 (CNN).
主要成果:
- 机器学习模型,特别是SVM和CNN,可以达到很高的分类准确度 (76.70%98.75%).
- 目前的方法受到主观性和成本效益低下的限制.
- 深度学习模型在乳房图密度估计方面显示出显著的潜力.
结论:
- 机器学习为客观和高效的乳房扫描密度估计提供了强大的工具.
- 未来的研究应该解决主观性和成本障碍,探索无监督细分和像变压器这样的先进模型.
- 改进的乳腺密度估计方法可以提高乳腺癌的早期检测和诊断.
