提高乳腺癌诊断:以形状感知角度特征学习来提高乳腺癌分类的精度.
Abdul Khader Jilani Saudagar1, Abhishek Kumar2, Ankit Kumar3
1Information Systems Department, College of Computer and Information Sciences, Imam Mohammad Ibn Saud Islamic University (IMSIU), Riyadh 11432, Saudi Arabia.
Computational biology and chemistry
|February 17, 2026
概括
一种新的形状感知角度特征学习 (SAAFL) 方法通过机器和深度学习来改进乳腺癌的分类. 这种技术提高了超声波图像的诊断准确性,减少了不必要的活检.
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:
- 乳腺癌的诊断对于生存至关重要,但在资源有限的环境中,传统方法难以应对.
- 区分良性瘤和恶性瘤仍然是一个挑战,导致潜在的误诊和不必要的手术.
研究的目的:
- 引入一种新的方法,即形状感知角度特征学习 (SAAFL),用于准确的乳腺癌分类.
- 提高乳房超声波 (BUS) 图像分析的性能,特别是在资源较差的环境中.
主要方法:
- 使用减少斑点的无otropic扩散 (SRAD) 过器来消除超声波图像的噪音.
- 一种强大的细分方法 (RBBSAM-RSF) 能够自动检测瘤.
- 采用了角度特征 (AF) 分析和综合支持向量机 (SVM) 和反向传播人工神经网络 (BPANN) 的等级分类系统.
主要成果:
- 在1293张乳房超声波图像上,SAAFL模型实现了95.38%的准确性.
- 提出的方法优于传统的基于纹理和形态的模型.
- 这种方法证明了虚假阳性减少和更少不必要的活检的潜力.
结论:
- SAAFL为乳腺癌诊断提供了一种准确,非侵入性和可解释的方法.
- 该模型适合在低资源的临床环境中几乎实时部署.
- 深度学习细分与形状感知特征分析的整合促进了乳腺癌检测.
