医疗保健系统中的深度学习驱动的预测:应用先进的CNN来增强乳腺癌检测
Marouene Chaieb1, Malek Azzouz2, Mokhles Ben Refifa2
1LARODEC Laboratory, Institut Superieur de Gestion de Tunis, 41 Av. de la Liberte, Tunis, 2000, Bardo, Tunisia; National School of Computer Sciences, R377+FGR, Department of Information Systems and Decision Making, Campus Universitaire de Manouba, 2010, Manouba, Tunisia.
Computers in biology and medicine
|February 28, 2025
概括
早期发现乳腺癌至关重要,尤其是50岁以下的女性. 这项研究开发了一个卷积神经网络 (CNN) 系统,在识别乳腺癌方面实现了97.54%的准确性,改善了早期诊断和患者的结果.
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:
- 乳腺癌死亡率正在上升,突出了改善早期检测方法的需要.
- 早期诊断显著改善了患者的预后和生存率.
- 目前的检测方法需要改进,以提高准确性和可访问性.
研究的目的:
- 开发和评估一个强大的乳腺癌检测系统,利用卷积神经网络 (CNN).
- 为了比较各种CNN架构用于乳房图分析的性能.
- 通过人工智能推进乳腺癌的早期检测和治疗策略.
主要方法:
- 使用了Mini-DDSM数据集,包括1952年的乳房影像.
- 应用数据预处理技术,包括规范化,无声化和增强.
- 训练并评估了多个CNN模型:基本CNN,FT-VGG19,FT-ResNet152和FT-ResNet50.
主要成果:
- 微调的FT-ResNet50模型实现了最高的精度97.54%.
- 与现有的最先进的方法相比,开发的CNN模型显示出更高的性能.
- 综合系统提供准确可靠的乳腺癌检测.
结论:
- 深度学习,特别是CNN,可以显著提高乳腺癌早期检测的准确性.
- FT-ResNet50模型在乳腺癌诊断中显示出临床应用的前景.
- 这种人工智能驱动的方法有可能改善患者的治疗结果并降低死亡率.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
04:23A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
Published on: April 21, 2023
1.7K
