相关实验视频
Updated: Sep 17, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.4K
基于InBNFus和CNNDen-GRU网络的适应性深度学习方法,用于乳腺癌和母胎分类,使用超声波图像
Mamuna Fatima1, Muhammad Attique Khan2, Anwar M Mirza3
1Department of Computer Science, COMSATS University Islamabad, Wah Campus, Wah Cantt, 47040, Pakistan.
Scientific reports
|July 2, 2025
概括
这项研究引入了适应性深度学习框架,用于对乳腺癌和母胎超声图像进行分类. 新的InBnFUS和CNNDen-GRU模型实现了高精度,提高了诊断效率.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 深度学习用于诊断.
背景情况:
- 医疗图像的手动分类耗时且容易出现错误.
- 现有的深度学习模型经常解决单个诊断任务,限制了它们的多功能性.
- 需要适应性计算方法来同时进行疾病分类.
研究的目的:
- 提出一种新的自适应深度学习框架,用于同时对乳腺癌和母胎超声数据集进行分类.
- 开发和评估两个新的神经网络架构,InBnFUS和CNNDen-GRU,以提高诊断准确度.
- 通过在预处理阶段的数据增强来解决数据不平衡问题.
主要方法:
- 开发了一个自适应的深度学习框架,其中包含了用于预处理的数据增强.
- 提出了两种新的架构:InBnFUS (结合Inception和倒置瓶块) 和CNNDen-GRU (DenseNet与GRU).
- 使用全球平均聚合和GRU层提取特征,然后使用神经网络分类器进行分类.
主要成果:
- 实现了高准确率:乳腺癌99.0%,母胎 (普通平面) 96.6%,母胎 (大脑) 数据集94.6%.
- 在所有测试的数据集中始终表现出高精度,回忆和F1分数.
- 一项废除研究证实,与基线方法相比,拟议模型的性能优越.
结论:
- 拟议的自适应深度学习框架有效地同时分类乳腺癌和母胎超声波图像.
- 新的InBnFUS和CNNDen-GRU架构在诊断准确性和效率方面提供了显著的改进.
- 这种方法对推进自动化医学图像分析和支持临床决策充满希望.
