基于神经网络的乳房扫描分析:用于增强癌症诊断的增强技术-一篇评论
Linda Blahová1, Jozef Kostolný1, Ivan Cimrák1
1Faculty of Management Science and Informatics, University of Žilina, 010 26 Žilina, Slovakia.
Bioengineering (Basel, Switzerland)
|March 28, 2025
概括
机器学习显著提高了使用乳房扫描数据集的乳腺癌检测. 本综述分析了数据增强和不平衡解决方案,以获得更好的查模型.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 生物医学数据科学 生物医学数据科学
背景情况:
- 机器学习 (ML) 在乳腺癌检测方面的进步是由注释式乳房造影数据集驱动的.
- 像CBIS-DDSM,VinDr-Mammo和CSAW-CC这样的关键数据集对于训练分类和检测模型至关重要.
- 改善乳腺癌查依赖于强大的ML模型和精心设计的数据集.
研究的目的:
- 审查应用ML用于乳腺癌检测的乳房扫描研究.
- 分析数据增强技术及其对异常检测的影响.
- 讨论诸如数据集不平衡等挑战,并探索加强查的解决方案.
主要方法:
- 审查使用著名数据集 (CBIS-DDSM,VinDr-Mammo,CSAW-CC) 的现有乳房学研究.
- 分析数据增强策略及其在检测乳腺组织异常方面的表现.
- 检查处理数据集不平衡的技术,包括合成数据生成和生成对抗网络 (GAN) 增强.
主要成果:
- 数据增强技术显示了改善乳房学ML模型性能的潜力.
- 合成数据生成和GAN增强等方法为数据集不平衡挑战提供了解决方案.
- 数据集的设计,注释的质量和ML架构的选择显著影响选模型的有效性.
结论:
- 机器学习技术,加上有效的数据增强和失衡策略,对于推进乳腺癌检测至关重要.
- 精心设计的数据集和详细的注释对于开发可靠的乳腺癌查工具至关重要.
- 未来的研究应该专注于改进增强,解决不平衡,并改善模型可解释性 (例如,使用Grad-CAM) 进行临床翻译.
