一个修改的关系和基于边际的深度学习网络,用于自动检测乳腺癌
IEEE transactions on computational biology and bioinformatics
|August 14, 2025
概括
一种新的计算机辅助检测 (CAD) 模型,MReMarNet,提高了乳腺癌识别的准确性. 这种人工智能方法提高了使用乳房扫描和超声数据的早期检测,优于现有的方法.
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,需要改进早期检测方法.
- 目前的查技术,如乳房影像和超声波,可以通过计算机辅助检测 (CAD) 系统来增强.
- 对小样本数据集的准确分类仍然是诊断乳腺癌的挑战.
研究的目的:
- 引入一个修改后的关系和边际网络 (MReMarNet),以有效和准确地检测乳腺癌.
- 提高医学成像中小样本数据集的分类性能.
- 为了提高恶性瘤检测的类内紧性和类间分离性.
主要方法:
- 开发一个修改后的关系和边际网络 (MReMarNet),包括一个关系单元 (RU) 和一个完全连接的 (FC) 单元.
- 通过RU同时应用特征学习和通过FC与交叉损失基于决策边界的分类.
- 使用两个公共数据集进行实验验证:迷你DDSM (乳房图) 和BUSI (超声波).
主要成果:
- 拟议的MReMarNet实现了高准确率:小型DDSM的准确率为98.75%,BUSI的准确率为95.77%,BUS2.00的准确率为98.00%.
- 该模型在乳腺癌识别方面表现优于其他网络.
- 类内紧性和类间可分离性的综合优势有助于提高系统的效率.
结论:
- MReMarNet模型在计算机辅助乳腺癌检测方面取得了重大进展.
- 拟议的方法有效地解决了在医学成像中分类小样本数据集的挑战.
- MReMarNet显示了改善早期和准确的乳腺癌诊断的巨大潜力,可能降低死亡率.
