对于乳腺瘤分类的ESE和转移学习

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:

• 识别乳腺癌分子亚型对于治疗至关重要.
• 需要准确和非侵入性的诊断工具.
• 深度学习在医学图像分析方面表现有前途.

研究的目的:

• 提出TLese-ResNet,一种用于乳腺癌分子亚型识别的轻量级神经网络.
• 为了评估模型在乳房图像上的表现.
• 为临床医生提供有效的辅助工具.

主要方法:

• 开发了TLese-ResNet,使用反向剩余网络,高效挤压激发 (ESE) 模块和双转移学习.
• 使用了一组乳房图像数据集 (CC和MLO视图).
• 雇员数据增强和一个两阶段的转移学习过程 (图像网 -> COVID-19X射线 -> 乳房影像).

主要成果:

• 在乳房图像上,TLese-ResNet实现了0.818的平均精度和0.883的曲线下面积.
• 该模型的性能优于像ResNet-50和DenseNet-121这样的最先进的深度学习模型.
• 使用五倍交叉验证来评估性能.

结论:

• TLese-ResNet是乳腺癌分子亚型识别的有效和非侵入性辅助工具.
• 拟议的架构提供了降低复杂性和增强功能表达.
• 这个模型可以帮助临床医生做出明智的诊断决策.