使用修改后的InceptionNet-V3进行增强的乳腺癌诊断:用于超声波图像分类的深度学习方法
Samia Allaoua Chelloug1, Abduljabbar S Ba Mahel2, Rana Alnashwan1
1Department of Information Technology, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, Riyadh, Saudi Arabia.
Frontiers in physiology
|May 7, 2025
概括
这项研究强调了转移学习在使用深度学习的乳腺癌分类中的有效性. 修改后的InceptionV3模型实现了99.10%的准确性,显著提高了诊断精度.
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 (BC) 是女性癌症死亡的主要原因,需要准确和早期诊断.
- 手动检测乳腺癌耗时且容易出现错误,因此需要自动化诊断工具.
- 深度学习在医学图像分析方面表现有前途,但需要大量的数据和计算资源进行培训.
研究的目的:
- 通过转移学习研究和比较各种深度学习模型的性能,用于乳腺癌分类.
- 在深度学习模型培训中评估转移学习在克服数据和计算挑战方面的有效性.
- 提出和评估一个新的深度神经网络,整合修改后的InceptionV3的功能,以提高分类.
主要方法:
- 员工将学习转移到预训练模型中,以减轻计算成本和数据需求.
- 评估了多个深度学习架构:修改了InceptionV3,GoogLeNet,ShuffleNet,AlexNet,VGG-16,和SqueezeNet. 这些架构都得到了评估.
- 开发了一个混合深度神经网络,结合了修改后的InceptionV3.3的功能.
主要成果:
- 修改后的InceptionV3模型实现了最高的分类准确率99.10%.
- 经过修改的InceptionV3模型表现出卓越的性能,回忆率为98.90%,精度为99.00%,F1得分为98.80%.
- 所有评估的转移学习模型都超过了乳腺癌数据集的基线方法.
结论:
- 转移学习是基于深度学习的乳腺癌分类的可行和有效策略.
- 修改后的InceptionV3模型显示了提高乳腺癌检测诊断准确性的巨大潜力.
- 这些发现支持使用先进的深度学习技术,以实现更精确,更有效的癌症诊断.
