基于深度学习的分析乳腺癌检测的乳房图像使用转移学习
Fajar Walayat1, Allah Ditta1, Zafar Iqbal Karmani2
1Department of Information Sciences University of Education Lahore Pakistan.
Healthcare technology letters
|October 27, 2025
概括
这项研究引入了一种使用卷积神经网络 (CNN) 进行早期乳腺癌检测的新型转移学习方法. 亚历克斯网实现了96.7%的准确性,大大提高了诊断能力.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌是全球主要的健康问题,特别影响老年女性.
- 早期检测对于改善患者生存率和降低死亡率至关重要.
- 现有的诊断方法可能容易出现人为错误,需要自动化解决方案.
研究的目的:
- 开发一种创新的转移学习方法,用于使用乳房影像早期检测乳腺癌.
- 为了提高诊断准确度,并为医疗专业人员自动化分析过程.
- 为了研究各种卷积神经网络 (CNN) 架构对此任务的有效性.
主要方法:
- 转移学习方法应用于乳房图像.
- 评估了几种CNN架构,包括Inception-v3,ResNet-50,VGG-16,SqueezeNet和AlexNet,并进行了评估.
- 图像细分和降噪技术用于来自当地医院的900张乳房图片数据集.
主要成果:
- 在评估的CNN模型中,AlexNet架构表现出卓越的性能.
- 使用AlexNet模型实现了96.7%的卓越准确度.
- 转移学习模型在识别乳腺癌早期阶段的乳腺癌上被证明是有效的.
结论:
- 拟议的转移学习方法显著提高了乳腺癌检测准确度.
- 在这个框架内,AlexNet为自动化和准确的乳房图分析提供了一个强大的工具.
- 这种方法有可能帮助临床医生进行早期诊断,改善患者的治疗结果.