一种基于迪里克莱特分布的复杂合体方法,用于从超声波图像中对乳腺癌进行分类,并使用转移学习和多相间隔重复方法
1Department of Computer Engineering, Çankırı Karatekin University, Çankırı, Turkey. osmanguler@karatekin.edu.tr.
Journal of imaging informatics in medicine
|April 29, 2025
概括
这项研究引入了一种新的深度集体学习模型,用于使用超声波图像对乳腺癌进行分类. 人工智能模型实现了99.60%的准确性,提高了早期癌症检测.
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:
- 乳房超声波对于早期发现乳腺癌至关重要.
- 由人工智能驱动的系统可以提高诊断的准确性和速度.
- 深度学习对于医学图像分析和疾病诊断越来越重要.
研究的目的:
- 为乳腺癌从超声波图像分类提出一个深度集体学习模型.
- 为了提高人工智能性能,利用转移学习和一种新的间隔重复方法.
- 提高AI模型在医学诊断中的可解释性.
主要方法:
- 开发了一个使用Dirichlet分布和预训练转移学习模型 (DenseNet201,InceptionV3,VGG16,ResNet152) 的深度集合学习模型.
- 用于不平衡数据集的数据增强和五倍交叉验证.
- 应用统计分析 (ANOVA,Tukey HSD) 和Grad-CAM用于解释性.
- 调整了人工智能训练的间隔重复方法,以减少学习时间和提高成功率.
主要成果:
- 拟议的模型在乳房超声波图像数据集 (BUSI) 上实现了99.60%的验证准确性.
- 间隔重复方法显著提高了模型的成功率,并减少了训练时间.
- 格拉德-CAM提供了视觉解释,提高了AI模型决策的可解释性.
结论:
- 开发的深度集体学习模型证明了使用超声波图像对乳腺癌分类的高有效性.
- 整合转移学习,间隔重复和合体方法为AI在医学诊断中提供了有前途的方法.
- 该研究强调了可解释AI (XAI) 的潜力,以建立对AI驱动的医疗保健解决方案的信任和可靠性.
