为3D乳腺癌图像分类提供联合学习架构
Amel Ali Alhussan1, Wiem Nhidi2, Imen Filali1
1Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, Riyadh 84428, Saudi Arabia.
Cancers
|November 13, 2025
概括
一个新的卷积神经网络 (CNN) 与联合学习 (FL) 结合,显著改善了使用3D造乳镜的自动乳腺癌检测. 这种方法提高了诊断的准确性,同时保持了患者数据的隐私.
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:
- 乳腺癌的诊断严重依赖于乳房造影,但解释可能具有挑战性.
- 自动检测方法对于提高诊断准确性和效率至关重要.
- 早期检测显著提高了乳腺癌患者的生存率.
研究的目的:
- 开发和评估一个先进的自动化乳腺癌检测系统.
- 将3D乳房成像与联邦学习 (FL) 集成,以保护隐私,进行分散的模型培训.
- 为了比较卷积神经网络 (CNN),转移学习模型和自动编码器的性能.
主要方法:
- 利用3D乳房成像数据进行模型培训和评估.
- 实施并比较各种机器学习模型:CNN,转移学习 (VGG16,VGG19,ResNet50) 和自动编码器 (AEs).
- 员工联合学习 (FL) 能够在多个机构中实现分散和保护隐私的模式培训.
主要成果:
- 美国有线电视新闻网 (CNN) 模型实现了高精度97.30%的高精度.
- 将CNN与联合学习 (CNN-FL) 结合起来,准确性略有提高到97.37%,显示出强大的预测性能.
- 转移学习模型和自动编码器的准确度较低,从48.83%到89.24%不等.
结论:
- CNN-FL框架是自动检测乳腺癌的高效工具.
- 这种方法成功地平衡了高诊断准确度与关键数据安全性.
- 这些发现突出了联合学习在提高医疗成像分析的潜力,同时保持患者隐私.
