使用EfficientNetV2和Grad-CAM++进行可解释的乳房影像分析,用于强大的癌症诊断
1Department of Information Systems, Faculty of Computing and Information Technology, King Abdulaziz University, Rabigh 21911, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|January 10, 2026
概括
这项研究引入了一种可解释的深度学习框架,用于精确检测乳腺癌在乳房影像中. 该模型增强了可解释性,为早期诊断提供了可靠的查.
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:
- 乳腺癌是全球女性死亡的主要原因之一.
- 由于主观性和可变性,乳房镜解读面临着挑战.
- 深度学习提供了自动检测,但缺乏解释性.
研究的目的:
- 开发一种可解释的深度学习框架,用于从乳房影像中对乳腺癌进行分类.
- 增强自动化乳房图分析的临床信任和可解释性.
主要方法:
- 使用对比度有限的自适应性直方图平衡 (CLAHE) 进行图像预处理.
- 采用EfficientNetV2用于特征提取和卷积块注意模块 (CBAM) 用于特征改进.
- 集成梯度加权类激活映射++ (Grad-CAM++) 为了预测可解释性.
主要成果:
- 获得了高分类准确率: 99.85% (MIAS),99.40% (DDSM),99.70% (InBreast). 获得了高分类准确率: 99.85% (MIAS),99.40% (DDSM),99.70% (InBreast). 获得了高分类准确率: 99.85% (MIAS),99.40% (DDSM),99.70% (InBreast). 获得了高分类准确率: 99.85% (MIAS),99.40% (DDSM),99.70% (InBreast).
- 与高F1分数的现有方法相比,表现出优越的性能.
- 对恶性病例表现出极好的敏感性,并降低了计算开销.
结论:
- 拟议的框架为使用乳房扫描进行乳腺癌查提供了强大的和可解释的解决方案.
- 提高了深度学习在乳腺癌检测中的诊断准确性和临床适用性.
