混合卷积神经网络和双LSTM模型与EfficientNet-B0用于高精度的乳腺癌检测和分类
Umesh Kumar Lilhore1, Yogesh Kumar Sharma2, Brajesh Kumar Shukla3
1Department of CSE, School of Computing Science and Engineering, Galgotias University, Greater Noida, UP, India.
Scientific reports
|April 9, 2025
概括
结合EfficientNet-B0,双向长期短期记忆 (Bi-LSTM) 和卷积神经网络 (CNNs) 的新混合模型在乳腺癌检测中达到99.2%的准确性. 这种先进的方法提高了临床医生的诊断准确性和解释性.
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:
- 乳腺癌的检测是医学成像中的一个关键挑战.
- 准确和早期检测可以显著改善患者的治疗结果.
- 现有的方法通常需要广泛的培训或缺乏可解释性.
研究的目的:
- 开发一种用于增强乳腺癌检测的新型混合模型.
- 为了提高准确性,利用转移学习和时间依赖模型.
- 提高临床应用检测模型的可解释性.
主要方法:
- 集成了EfficientNet-B0,双向长期短期记忆 (Bi-LSTM) 和卷积神经网络 (CNN).
- 使用从EfficientNet-B0的转移学习在ImageNet上进行预训练.
- 在CBIS-DDSM和MIAS数据集上使用Adam优化器微调模型.
- 使用特征可视化来实现模型的可解释性.
主要成果:
- 在区分良性和恶性乳腺瘤方面达到99.2%的准确性.
- 与VGG-16,ResNet-50和DenseNet169.9相比,表现出优越的性能.
- 亚当优化器始终产生了最高的精度和最低的损失.
- 功能可视化为模型的决策过程提供了更深入的洞察力.
结论:
- 拟议的混合模型在乳腺癌检测准确度方面取得了重大进展.
- 该模型为临床使用提供了更好的透明度和可解释性.
- 这种方法代表了临床医生在打击乳腺癌方面的一个有价值的工具.
