多尺度视觉变压器与优化特征融合用于乳腺癌分类的乳房扫描
Soaad Ahmed1, Naira Elazab2, Mostafa M El-Gayar2,3
1Computer Science Division, Mathematics Department, Faculty of Science, Mansoura University, Mansoura 35516, Egypt.
Diagnostics (Basel, Switzerland)
|June 13, 2025
概括
这项研究引入了先进的深度学习框架,以改善乳腺癌诊断. 这种新的方法提高了乳房影像分析的分类准确性和效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 乳腺癌是全球女性死亡的主要原因之一.
- 准确高效的诊断方法对于早期检测和治疗至关重要.
- 传统的深度学习模型面临的挑战是特征冗余和次优融合.
研究的目的:
- 为增强乳腺癌诊断和分类开发一种新的深度学习框架.
- 克服现有模型在特征提取,融合和选择方面的局限性.
- 为了提高乳房图分析的准确性和效率.
主要方法:
- 利用MAX-ViT进行多尺度特征提取和层次表示学习.
- 引入了一个封闭的注意力融合模块 (GAFM),用于动态功能集成.
- 采用哈里斯·霍克斯优化 (HHO) 进行高效的特征选择和XGBoost进行分类.
主要成果:
- 在阿卜杜勒阿齐兹国王大学的乳腺造影数据集上取得了高性能指标.
- 报告的准确率为98.2%,精度为98.0%,回忆率为98.1%,F1分数为98.0%,AUC为98.9%,MCC为95%.
- 与现有最先进的模型相比,表现出卓越的性能.
结论:
- 拟议的基于融合的深度学习框架显著改善了乳腺癌的诊断和分类.
- MAX-ViT,GAFM,HHO和XGBoost的综合方法提供了一个强大的解决方案.
- 验证了框架的有效性和临床应用潜力.
