基于变压器启发的训练原则进行乳腺癌预测:结合EfficientNetB0和ResNet50
Tariq Shahzad1, Tehseen Mazhar2,3, Sheikh Muhammad Saqib4
1Department of Electrical and Electronic Engineering Science, University of Johannesburg, Johannesburg, 2006, South Africa. tariqshahzadd@gmail.com.
Scientific reports
|April 18, 2025
概括
结合EfficientNetB0和ResNet50的新混合深度学习模型显著改善了从基因病理图像中诊断乳腺癌. 这种精确的工具增强了早期检测,解决了癌症查的关键需求.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学中使用人工智能
背景情况:
- 乳腺癌仍然是导致死亡的主要原因,诊断和治疗服务受到COVID-19等全球卫生危机的影响.
- 对乳腺癌的快速,高效和准确的诊断工具的需求至关重要,但当前的机器学习方法在诊断准确性方面面临挑战.
研究的目的:
- 开发和评估一种新的混合深度学习模型,以更好地将乳腺组织病理图像分为侵入性管道癌 (IDC) 和非IDC类别.
- 通过先进的计算方法提高乳腺癌查的诊断准确性和效率.
主要方法:
- 通过结合EfficientNetB0和ResNet50架构开发了一种混合模型.
- 组织病理学图像进行了预处理,包括调整大小为128*128像素和正常化,以优化模型性能.
- 该模型利用了EfficientNetB0的效率和ResNet50的深度剩余连接来解决消失梯度和改善分类.
主要成果:
- 拟议的模型在分类乳腺组织病理图像方面实现了94%的高准确性.
- 性能指标包括0.0628的平均绝对误差 (MAE) 和0.8690.0的马修斯相关系数 (MCC).
- 与以前的基线相比,该模型表现出优越的性能,有效地平衡精度和回忆.
结论:
- 开发的混合EfficientNetB0-ResNet50模型为乳腺癌诊断提供了弹性和准确的解决方案.
- 这种组合方法在准确性和计算效率方面表现出优越性,使其适用于实际的乳腺癌查和诊断.
