调查乳腺癌检测与上下文关系嵌入的CNN在乳腺造影
1Department of Information Science and Technology, College of Engineering Guindy, Anna University, Chennai, India.
Cancer investigation
|November 10, 2025
概括
这项研究引入了一个新的卷积神经网络模型用于乳腺癌检测. 该模型准确地细分了乳房镜中的病理质量区域,提高了早期检测和诊断的效率.
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:
- 乳腺癌诊断依赖于乳房影像,但由于组织复杂性,恶性组织的细分具有挑战性.
- 准确的细分对于早期检测和有效的治疗计划至关重要.
研究的目的:
- 开发一种先进的卷积神经网络 (CNN) 模型,用于精确细分乳房影像中的病态质量区域.
- 通过增强图像分析,提高乳腺癌检测的准确性和效率.
主要方法:
- 利用深度卷积神经网络与上下文关系嵌入来从预处理的乳房图像中提取特征.
- 采用完全连接的卷积块注意模块来整合上下文特征.
- 集成的交叉损失与上下文关系约束,用于精细细分和边界识别.
主要成果:
- 拟议的模型在细分病理区域方面实现了99.59%的高精度.
- 显示了0.405%的低错误率,表明了卓越的性能.
- 该模型显示,与现有方法相比,细分和边界识别的精度提高了.
结论:
- 开发的CNN模型与上下文关系嵌入为乳腺癌检测提供了高效和准确的解决方案.
- 这种方法显著增强了乳房影像中恶性组织的细分,有助于早期诊断.
- 该模型的性能表明,它在计算机辅助诊断乳腺癌方面取得了有前途的进展.
