根据特征驱动的乳腺癌分类通过使用乳房图像的混合模型
1Department of Computer Science and Engineering, JAIN (Deemed-to-be University), Bengaluru, Karnataka, India.
Journal of medical engineering & technology
|October 3, 2025
概括
这项研究引入了一种新的深度学习模型,用于使用乳房影像检测乳腺癌 (BC). F-BCC-ML模型增强了图像分析和分类,在识别癌症组织方面实现了高精度.
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:
- 深度学习在乳腺癌 (BC) 诊断的医学成像中显示出希望.
- 传统的机器学习 (ML) 方法需要耗时的特征提取.
- 准确的BC检测有助于放射科医生及时诊断和治疗计划.
研究的目的:
- 提出一个新的特征驱动的乳腺癌分类 (F-BCC-ML) 模型,使用修改损失和激活功能辅助的LeNet (MLAL).
- 通过集成先进的图像处理和深度学习技术来提高BC检测的准确性.
- 在基于ML的BC诊断中减少对手动特征工程的依赖.
主要方法:
- 使用改善的双边过技术 (IBFT) 增强了乳房图像,以减少噪音.
- 图像细分使用深度学习模型SegNet进行.
- 特性提取包括韦伯局部描述器辅助的局部Gabor XOR模式 (WLD-LGXP),中位二进制模式 (MBP),颜色和深度特征.
- 通过使用MLAL模型与深度卷积神经网络 (DCNN) 结合,实现了分类.
主要成果:
- 该MLAL+DCNN模型实现了0.936.93的最大精度.
- 该模型表现出高精度,达到0.947.
- 记录了0.942的F测量值,表明了强大的分类性能.
结论:
- 拟议的F-BCC-ML模型有效地根据乳房影像对乳腺癌进行分类.
- IBFT,SegNet和MLAL+DCNN的集成为BC检测提供了一个强大的工具.
- 这种方法通过提供准确和高效的诊断预测来支持放射科医生.
