协同转移学习和对抗性网络用于乳腺癌诊断:良性与侵入性分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 目前的乳腺癌诊断方法受到成本,时间和可变性的限制.
• 需要更有效,更准确的诊断工具.

研究的目的:

• 开发一种新的深度学习框架,用于增强乳腺癌分类.
• 用先进的AI技术解决现有诊断方法的局限性.

主要方法:

• 一个使用条件瓦斯斯坦GAN (cWGAN) 和传统方法的两阶段数据增强策略.
• 多层次的转移学习集成了DenseNet-201,NasNetMobile和ResNet-101. 这三种网络.
• 使用多级特征丰富方案,以改善特征捕获.

主要成果:

• 在BreakHis数据集上实现了对二进制分类的99.2%准确性和对多类分类的98.5%准确性.
• 显著优于现有的乳腺癌分类方法.
• 通过cWGAN证明了增强的培训稳定性和有针对性的功能整合.

结论:

• 拟议的深度学习框架为乳腺癌诊断提供了更有效,更具成本效益和更准确的解决方案.
• 该框架显示了将其整合到临床诊断工作流程中的潜力.
• 未来的研究将专注于临床数据集的概括.