有效的混合启发采用了深度学习框架,用于使用热图图像诊断乳腺癌

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:

• 由于其侵略性和高死亡率,乳腺癌构成重大威胁.
• 早期检测对于改善患者生存率至关重要.
• 尽管乳房镜像很常见,但它很昂贵,需要暴露在辐射中,这促使人们开始寻找替代方案.

研究的目的:

• 开发和评估基于深度学习的乳腺癌诊断系统,使用温度图像.
• 为了提高图像质量和细分精度,提高诊断性能.
• 为了利用先进的优化算法来改进深度学习模型参数.

主要方法:

• 热像图像使用对比限度自适应组图平衡 (CLAHE) 和对比增强进行预处理.
• 使用Rock Hyraxes Dandelion算法优化 (RHDAO) 实现了图像分割的最佳二进制值.
• 一个新的深度学习架构,StackVRDNet,集成VGG16,Resnet和DenseNet,用于特征提取和分类,RHDAO优化模型参数.

主要成果:

• 开发的StackVRDNet模型在乳腺癌诊断中达到97.05%的高精度和86.86%的精度.
• 在RHDAO算法有效优化值和深度学习模型参数.
• 性能分析表明,与传统的诊断方法相比,该模型的有效性更高.

结论:

• 应用到热图图像上的深度学习为乳腺癌诊断提供了一种有希望的,不那么侵入性的,可能更实惠的方法.
• 通过RHDAO优化增强的StackVRDNet框架显示了准确和高效的乳腺癌早期检测的巨大潜力.
• 与既有诊断技术的进一步验证证实了这种人工智能驱动方法的可行性.