乳腺癌检测在乳房摄影图像使用转移学习模型的图像
1Dayananda Sagar University, Karnataka, India.
Cancer investigation
|December 19, 2025
概括
这项研究应用了转移学习模型,如EfficientNet-B3和DenseNet,用于精确地检测乳腺癌在乳房影像中的乳腺癌. 这些模型显示出高准确度,改善了早期诊断和患者的结果.
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:
- 乳腺癌是全球主要的健康问题,需要改进诊断工具.
- 乳房造影是关键的查方法,但准确的解释至关重要.
- 深度学习为增强乳房镜分析提供了潜力.
研究的目的:
- 评估转移学习模型在乳腺癌检测中的有效性.
- 为了比较不同转移学习架构的性能,特别是EfficientNet-B3与DenseNet,与VGG16.
- 评估这些模型在改善诊断准确性的临床应用中的潜力.
主要方法:
- 利用了各种各样的乳房图像数据集.
- 通过微调预先训练的卷积神经网络 (CNN) 架构 (EfficientNet-B3,DenseNet,VGG16) 进行应用转移学习.
- 预处理的图像和提取的特征用于分类为良性和恶性类别.
主要成果:
- EfficientNet-B3和DenseNet模型实现了低损失值 (约为0.9),表明了高性能.
- VGG16表现出明显更高的损失值 (约7),这表明疗效较低.
- 转移学习模型在检测乳腺癌方面表现出高准确度,灵敏度,特异性和精度.
结论:
- 转移学习模型,特别是使用DenseNet的EfficientNet-B3,显示出对乳腺癌精确检测在乳房摄影中的重大前景.
- 这些模型提供了强大的概括能力,适合于现实世界的临床环境.
- 这些发现支持将先进的人工智能集成到乳腺癌诊断中,以更早地检测并改善患者的治疗结果.
