基于深度学习的细菌食优化算法,以改进基于数字造乳镜的乳腺癌检测
D Banumathy1, D Karthikeyan2, G Mohanraj3
1Paavai Engineering College, Pachal, Namakkal, 637018, India. banumathydhanabalanpec@paavai.edu.in.
Scientific reports
|October 30, 2025
概括
这项研究通过使用深度学习和自动超参数优化来增强早期乳腺癌检测. 细菌食优化-卷积神经网络 (BFO-CNN) 模型显著提高了乳房图分析的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 乳腺扫描对于早期发现乳腺癌至关重要,但依赖于主观分析,导致潜在的不准确性.
- 深度学习模型,特别是卷积神经网络 (CNN),在图像分析任务中表现有前途,例如乳房图解读.
- 对于CNN的手动超参数调整是耗时和劳动密集型的,阻碍了最佳性能.
研究的目的:
- 通过使用深度学习技术,提高早期乳腺癌检测的准确性和效率.
- 探索各种计算机视觉模型的应用,包括VGG19,InceptionV3和定制的CNN,用于乳房图分析.
- 为CNN实现自动超参数优化,以提高其诊断能力.
主要方法:
- 使用了数字数据库查乳房学 (DDSM) 数据集进行乳房图像分析.
- 研究的深度学习模型:视觉几何组 (VGG) 19,Inception V3 和一个定制的20层卷积神经网络 (CNN).
- 采用细菌食优化 (BFO) 算法来自动优化CNN的超参数,包括过器大小,过器数量和隐藏层.
主要成果:
- 拟议的细菌食优化 - 卷积神经网络 (BFO-CNN) 方法在现有方法中表现出优异的性能.
- 在VGG19上实现了7.62%的精度改进,在InceptionV3上提高了9.16%,在定制CNN-20模型上提高了1.78%.
- 使用BFO的自动超参数优化显著提高了CNN模型在乳腺癌检测中的有效性.
结论:
- 深度学习和自动超参数优化提供了一种强大的方法,通过乳房影像分析来增强乳腺癌检测.
- 与传统的CNN架构相比,BFO-CNN模型具有显著的潜力,可以提高乳腺癌诊断的准确性.
- 这项研究强调了元启发算法在优化医疗图像分析的深度学习模型中的价值.
