基于BIRADS的乳房图像检索的高级多架构深度学习框架:通过超集成优化进行全面的性能分析
M D Shaikh Rahman1, Feiroz Humayara2, Syed Maudud E Rabbi3
1Department of Computer Science, Universiti Sains Malaysia, Penang, Malaysia. shaikhrahman25@gmail.com.
Journal of imaging informatics in medicine
|December 16, 2025
概括
这项研究引入了乳腺成像图像检索的先进框架,在五类乳腺成像报告和数据系统 (BIRADS) 分类中实现了最先进的性能. 具有高级微调和测试时间增长的DenseNet121显著提高了准确性和降低了计算成本.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 基于内容的乳房造影图像检索是复杂的,需要精确的五类乳房成像报告和数据系统 (BIRADS) 匹配.
- 之前的研究在样本大小,患者分离和统计验证方面遇到了局限性,阻碍了临床应用.
研究的目的:
- 开发和评估一个全面的框架,用于比较卷积神经网络 (CNN) 架构和培训策略,用于五类BIRADS检索.
- 建立一个新的最先进的模型,用于准确和高效的乳房图像检索.
主要方法:
- 使用高级培训策略进行CNN架构 (DenseNet121,ResNet50,VGG16) 的系统比较:微调,度量学习和超集优化.
- 严格评估患者分层数据分割 (1003名患者),602个测试查询和引导置信区间 (1000个重复样本) 以进行可靠的评估.
- 为DenseNet121模型实施高级微调和测试时间增长 (TTA).
主要成果:
- 使用高级微调和TTA (DenseNet121_AdvancedFT_TTA) 的DenseNet121实现了34.71%的精度@10,比基线ResNet50.4提高了25.74%.
- 超整体和度量学习方法在患者专用分割下在架构中表现出强的性能.
- 统计分析证实了显著的性能增长和可重复性 (启动式CI,t测试p < 0.001,科恩d > 0.8).
结论:
- DenseNet121_AdvancedFT_TTA代表了五类BIRADS乳房图像检索的最新技术.
- 开发的框架确保了可靠的评估,并验证了检索准确度的显著改进.
- 这些发现表明,乳房图像分析的计算效率更高,准确的方法.
