相关实验视频
一种混合深度学习方法与渐进周期CNN和火虫群群优化,用于乳腺癌检测
Sudha Prathyusha Jakkaladiki1, Filip Malý2
1Department of Informatics and Quant. Methods, University of Education Hradec Kralove, Hradec Králové, Czech Republic.
PeerJ. Computer science
|September 24, 2025
概括
这项研究介绍了一种先进的乳腺癌检测方法,采用贴片智能细分,混合深度学习和优化卷积神经网络 (CNN). 综合方法显著提高了诊断准确度,可以更早地检测恶性病变.
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:
- 准确和及时的乳腺癌诊断对于患者的生存至关重要.
- 目前的医学成像技术为检测率的提高提供了空间.
- 早期发现恶性病变是有效治疗的关键.
研究的目的:
- 通过先进的成像分析,开发一种综合方法来提高乳腺癌检测.
- 提高诊断系统在临床环境中的准确性和效率.
- 为了利用混合深度学习和优化技术,实现卓越的性能.
主要方法:
- 乳房造影图像的贴片智能细分用于详细的特征提取.
- 混合深度特征提取,结合CNN和手工制作的特征.
- 渐进周期卷积神经网络 (P-CycCNN) 通过火虫群优化 (FSO) 优化了超参数.
主要成果:
- 在CBIS-DDSM数据集上实现了98%的测试准确率,95%的精度,97.2%的回忆率和96%的F1分数.
- 在关键性能指标上,与基线CNN模型相比,表现出4%-6%的改进.
- 实现了0.95的曲线下面积 (AUC),表明了高的诊断能力.
结论:
- 拟议的综合方法显著提高了乳腺癌检测的准确性和效率.
- 这种方法具有很大的临床应用潜力,可以更早,更精确地识别恶性瘤.
- 分段,混合功能,P-CycCNN和FSO的组合为改善乳腺癌诊断提供了强大的解决方案.