初步结果:比较卷积神经网络架构作为一种辅助临床工具,应用于墨西哥妇女的查乳房学
Samara Acosta-Jiménez1, Susana Aideé González-Chávez1, Javier Camarillo-Cisneros2
1Laboratorio PABIOM, Facultad de Medicina y Ciencias Biomédicas, Universidad Autónoma de Chihuahua, Chihuahua, México.
Journal of medical and biological engineering
|March 3, 2025
概括
一个新的深度学习模型在乳腺癌检测中显著超过了转移学习方法. 这种新的卷积神经网络 (CNN) 实现了99.14%的准确性,解决了针对不同人群的工具的关键需求.
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:
- 乳房摄影对于早期发现乳腺癌至关重要.
- 深度学习,特别是卷积神经网络 (CNN),在医学图像分类方面表现有前途.
- CNN模型的准确性受训练数据因素的影响,如成像技术,设备和人口统计数据.
研究的目的:
- 开发一种新的CNN,用于将乳房影像分类为良性或恶性.
- 用转移学习来比较小说CNN与受欢迎的预训练CNN的性能.
- 训练和评估CNN模型使用墨西哥 (MAMMOMX-PABIOM) 和英国 (MIAS) 妇女的乳房图.
主要方法:
- 一个新的CNN架构被开发和训练.
- 转移学习被应用到预先训练有素的CNN (DenseNet121,MobileNetV2,ResNet 50,VGG16) 上.
- 模型使用MAMMOMX-PABIOM数据库和公开的MIAS数据库进行训练和验证.
主要成果:
- 最好的转移学习模型 (使用MAMMOMX-PABIOM数据的MobileNetV2) 实现了70.10%的准确性.
- 新的CNN,训练在联合MAMMOMX-PABIOM和MIAS数据 (配置A6),达到99.14%的准确性.
- 新型CNN在各种训练数据配置中始终超过预训练模型.
结论:
- 新的CNN在乳房影像分类的转移学习方法相比表现出了更好的表现.
- 这项研究强调了针对特定人群量身定制的深度学习模型的重要性.
- 这项研究解决了缺乏全国性乳房造影数据库和为墨西哥妇女提供专门的深度学习工具的问题.
