BCDCNN:乳腺癌深卷积神经网络用于使用MRI图像检测乳腺癌
D E Martina Jaincy1, V Pattabiraman2
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, Tamil Nadu, India.
Scientific reports
|August 8, 2025
概括
一个新的深层卷积神经网络 (BCDCNN) 准确地使用MRI图像检测乳腺癌 (BC). 这种人工智能方法提高了早期诊断,可能减少不必要的活检,改善患者的治疗结果.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 瘤学和诊断技术的发展
- 医疗保健中的机器学习
背景情况:
- 乳腺癌 (BC) 诊断严重依赖于成像,磁共振成像 (MRI) 提供卓越的软组织可视化.
- 目前基于MRI的BC检测可能耗时,需要专门的放射科医生专业知识.
- 尽量减少像活检这样的侵入性手术对于高效和以患者为中心的诊断至关重要.
研究的目的:
- 引入一种新的乳腺癌检测 (BCD) 系统,利用深度卷积神经网络 (BCDCNN) 来提高MRI分析的准确性.
- 通过优化深度学习模型,改善MRI图像中癌症区域的细分.
- 开发一种人工智能驱动的工具,以帮助早期和精确诊断乳腺癌.
主要方法:
- 一个乳腺癌深度卷积神经网络 (BCDCNN) 已开发用于从MRI图像检测乳腺癌.
- 图像预处理采用了自适应卡尔曼波器 (AKF),随后使用金字塔场景解析网络 (PSPNet) 进行细分,并使用水母搜索优化器 (JSO) 进行优化.
- 图像增强技术和一种新的自适应性错误相似性损失函数被纳入BCDCNN以提高性能.
主要成果:
- BCDCNN模型实现了高诊断性能指标:90.2%的准确性,90.6%的灵敏性和90.9%的特异性.
- 优化的细分和新的损失功能有助于增强分类能力,特别是对于具有挑战性的案例.
- 拟议的方法在MRI扫描中证明了在分辨癌症和非癌症组织方面的强大性能.
结论:
- 开发的BCDCNN提供了一个有希望的AI驱动的解决方案,用于使用MRI准确和早期发现乳腺癌.
- 这种方法有可能显著帮助放射科医生,减少诊断时间,并尽量减少不必要的活检的需要.
- 该研究强调了先进的机器学习技术在改善乳腺癌诊断工作流程方面的临床适用性.
