增强乳腺癌诊断使用多模式功能融合与放射学和转移学习
Nazmul Ahasan Maruf1, Abdullah Basuhail1, Muhammad Umair Ramzan1
1Faculty of Computing and Information Technology, Department of Computer Science, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|September 13, 2025
概括
这项研究通过整合放射学和深度学习 (DL) 功能来增强乳腺癌检测,通过ResNet152.2.实现97%的准确性. 该方法提高了早期癌症识别的诊断精度和稳定性.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 计算病理学计算病理学
- 生物医学信息学 生物医学信息学
背景情况:
- 乳腺癌是全球癌症死亡的主要原因,需要改进早期检测方法.
- 目前的早期检测依赖于医学成像,人工智能 (AI),放射学和深度学习 (DL) 显示出希望.
- 诸如有限的数据,过度拟合和糟糕的概括等挑战阻碍了AI模型在乳腺癌检测中的性能.
研究的目的:
- 通过结合放射学和深度学习 (DL) 功能来提高乳腺癌检测的准确性和稳定性.
- 用先进的数据增强技术克服数据限制和模型过拟合.
- 开发一个统一的多式联运特征空间,以提高分类性能.
主要方法:
- 从CBIS-DDSM数据集中提取了使用PyRadiomics的放射学特征和通过转移学习模型的深度学习特征.
- 应用数据增强以减轻过度拟合和改善模型通用化.
- 集成的放射学和深度功能,培训和评估13个预训练的转移学习模型,包括ResNet,DenseNet,InceptionV3,MobileNet和VGG.
主要成果:
- ResNet152实现了最高的分类准确率97%,证明了提高诊断精度的巨大潜力.
- 其他模型,如VGG19,ResNet101V2和ResNet101,也显示出高精度 (96%),突出了所选特征集的有效性.
- 集成的多式联运功能空间有助于强大的乳腺癌检测.
结论:
- 放射学和深度学习方法的结合显示出对准确和强大的乳腺癌检测有重大前景.
- 未来的研究应该探索视觉转换器 (ViT) 架构和多模式数据集成 (临床,基因组) 以进一步改进.
- 这种方法有可能彻底改变乳腺癌检测,使其更准确,更易于解释和更易于适应.
