平行卷积SpinalNet:一种混合深度学习方法,用于使用乳房影像检测乳腺癌
Vinay Gautam1, Anu Saini2, Alok Misra3
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura, India.
Network (Bristol, England)
|March 24, 2025
概括
这项研究引入了一种新的并行卷积脊髓网络 (PConv-SpinalNet),用于通过乳房影像早期检测乳腺癌. PConv-SpinalNet模型实现了高精度,提高了这一关键疾病的诊断能力.
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:
- 乳腺癌仍然是女性死亡的主要原因,强调需要早期和准确的诊断方法.
- 及时检测显著改善了患者的治疗结果和生存率,使得先进的成像分析至关重要.
研究的目的:
- 提出和评估一个新的深度学习模型,并行卷积脊髓网 (PConv-SpinalNet),以使用乳房影像进行高效和准确的乳腺癌检测.
- 通过整合各种图像处理和特征提取技术来提高诊断性能.
主要方法:
- Mammogram 图像使用 Gabor 过器进行预处理,并使用 LadderNet 分段瘤.
- 先进的增强技术 (图像操纵,擦除,混合) 应用于细分样本.
- 一个全面的特征提取阶段包括CNN特征,Texton,局部Gabor二进制模式 (LGBP),尺度不变特征转换 (SIFT) 和局部单调模式 (LMP) 与离散等边变换 (DCT).
- 结合并行卷积神经网络 (PCNN) 和脊髓网络的PConv-SpinalNet被用于最终检测.
主要成果:
- 该PConv-SpinalNet模型显示了高准确度的88.5%.
- 关键绩效指标包括真正比率 (TPR) 为89.7%,真负比率 (TNR) 为90.7%,正预测值 (PPV) 为91.3%,负预测值 (NPV) 为92.5%.
结论:
- 拟议的PConv-SpinalNet模型显示了提高乳腺癌检测精度和效率的巨大潜力.
- 这种深度学习方法为早期诊断提供了一个有前途的工具,有可能降低死亡率并提高患者护理.
