早期乳腺癌检测通过红外热谱,使用CNN增强了粒子群优化

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:

• 乳腺癌是妇女死亡的主要原因,需要改进诊断方法.
• 尽管乳房摄影是常见的,但它存在一些局限性,包括侵入性,成本和在密集的乳腺组织中有效性的降低.
• 红外热学提供了一个非侵入性的,经济的替代方案,但在图像解释和算法优化方面面临着挑战.

研究的目的:

• 开发一种自动化分类框架,以区分恶性与良性乳腺热图.
• 利用人工智能提高乳腺癌查的准确性和效率.

主要方法:

• 用于图像分类的卷积神经网络 (CNN) 的实施.
• 集成了一种增强的粒子群优化 (EPSO) 算法,用于自动化的CNN超参数调整.
• 应用先进的图像预处理技术:Mamdani模糊逻辑边缘检测,CLAHE和中间选.

主要成果:

• 拟议的自动化系统实现了98.8%的卓越分类准确度.
• 与传统的CNN相比,该模型在计算速度和预测准确度方面取得了显著的改进.
• 开发的框架有效地区分恶性和良性热图乳房图像.

结论:

• 由人工智能驱动的框架为早期乳腺癌检测提供了可靠且具有成本效益的解决方案.
• 这项技术在乳腺癌查中具有强大的现实世界的临床应用潜力.
• 红外热图的自动化分析显示,可以克服传统方法的局限性.