提高自动化乳腺癌检测:一种CNN驱动的多模式成像技术的方法.

科学领域:

• 医学成像分析 医学成像分析
• 在瘤学中使用人工智能
• 计算病理学计算病理学

背景情况:

• 乳腺癌仍然是全球女性死亡的主要原因.
• 准确和高效的诊断方法对于有效的治疗至关重要.
• 当前的诊断方法需要提高速度和准确性.

研究的目的:

• 开发一个用于乳腺癌检测的自动诊断框架.
• 利用卷积神经网络 (CNN) 来分析各种成像模式.
• 提高乳腺癌早期诊断的准确性和效率.

主要方法:

• 在基准数据集上培训和评估CNN模型:乳房影像 (DDSM,MIAS,INbreast),超声波,MRI和组织病理学 (BreaKHis).
• 在所有成像数据中实施标准化预处理技术.
• 将CNN模型的性能与最先进的方法进行比较.

主要成果:

• 实现了高分类准确率: 99.2% (DDSM),98.97% (MIAS),99.43% (INbreast),98.00% (超声波),98.43% (MRI) 和86.42% (BreaKHis). 它们的分类准确性是非常高的.
• 与许多现有的诊断技术相比,它表现出了卓越的性能.
• 证实了开发的CNN框架的稳定性和可靠性.

结论:

• 引入了一种可靠且可扩展的乳腺癌自动诊断系统.
• 该框架支持放射科医生实现更早,更准确的检测.
• 在成像方式之间,高精度和适应性表明临床整合潜力.