使用转移学习来检测乳腺癌,使用深度学习模型.
Frimpong Twum1, Charlyne Carol Eyram Ahiable1, Stephen Opoku Oppong1
1Department of Computer Science, Kwame Nkrumah University of Science and Technology, Kumasi, Ghana.
PLOS digital health
|June 16, 2025
概括
这项研究引入了用于乳腺癌检测的新型深度学习模型,达到高达95.5%的准确性. 该模型利用预训练的深度学习网络来增强早期和准确的诊断,改善患者的治疗结果.
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:
- 乳腺癌是全球重要的健康问题.
- 早期和准确的检测对于改善患者的治疗结果至关重要.
- 传统的诊断方法在准确度上有局限性.
研究的目的:
- 开发和评估一种用于乳腺癌检测的新型深度学习模型.
- 为了比较四个预训练的深度学习模型 (Mobilenetv2,Inceptionv3,ResNet50,VGG16) 作为特征提取器的性能.
- 评估监督学习模型与这些深度学习功能相结合时的有效性.
主要方法:
- 使用BUSI数据集进行培训和测试.
- 使用四个预训练的深度学习模型 (Mobilenetv2,Inceptionv3,ResNet50,VGG16) 作为特征提取器.
- 通过结顶层并添加新层来实现转移学习,使用GlobalAveragePooling2D层.
- 联邦储备局在监督学习模型中提取了功能,例如物流回归和光梯度增强机器.
主要成果:
- 在转移学习后,ResNet50获得了最高的95.5%准确度.
- Inceptionv3,VGG16和Mobilenetv2的准确度分别为92.5%,86.5%和84%. 这两项技术的准确度均为92.5%,86.5%和84%.
- 当与深度学习功能相结合时,物流回归和光梯度增强机被确定为性能最高的分类器.
结论:
- 拟议的新型深度学习模型在乳腺癌检测方面表现出高准确性.
- 使用像ResNet50这样的预训练模型进行转移学习,可以显著提高诊断准确度.
- 这种方法为改善早期和准确的乳腺癌诊断提供了一个有希望的工具.
