(KAUH-BCMD) 数据集:通过多重融合预处理和残留深度智能网络推进乳腺癌的乳房扫描分类

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:

• 在数字造乳镜中准确分类良性和恶性模式对于早期发现乳腺癌至关重要.
• 多样化的乳腺组织结构和微妙的视觉指标为放射科医生在识别癌症区域时提出了重大挑战.
• 需要先进的计算工具来帮助放射科医生诊断和分类乳腺癌.

研究的目的:

• 开发和评估一种使用乳腺图像进行乳腺癌分类的增强技术.
• 引入一种新的残余深度智能网络 (RDN) 模型,以提高检测准确度.
• 将拟议的RDN模型的性能与已建立的深度学习架构进行比较.

主要方法:

• 研究人员使用了来自5000名患者的7205张乳房镜像数据集.
• 图像经过预处理,包括重新缩放,正常化,增强和多融合技术 (高提升过,CLAHE).
• 一个独特的残余深度智能网络 (RDN) 设计并与MobileNetV2,VGG16,VGG19,ResNet50,InceptionV3,Xception和DenseNet121.1进行了比较.

主要成果:

• 拟议的RDN模型实现了高性能指标:97.82%的准确性,96.55%的精度,99.19%的回忆,96.45%的特异性,97.85%的F1得分.
• RDN模型的验证准确率为96.20%.
• 与其他评估的深度学习模型相比,RDN模型表现出更高的性能.

结论:

• 开发的RDN模型显示了作为早期乳腺癌诊断的有效工具的巨大潜力.
• 多聚变技术和高效预处理的整合提高了RDN模型的性能.
• 拟议的方法为从乳房影像中自动检测乳腺癌提供了有希望的进步.