一个有效的乳腺癌分类系统使用多个特征提取技术与多个规模的基于注意力的特征融合模型.
Atul Kumar Ramotra1, Goldi Chandrapal Jarbais2
1Department of CSE-(AI & ML), ACE Engineering College, Ankushapur, Ghatkesar, Telangana, 501301, India. atulkumar@aceec.ac.in.
Journal of imaging informatics in medicine
|February 26, 2026
概括
这项研究引入了一个自动化乳腺癌检测系统,使用功能融合来提高准确性. 这种新的框架在乳腺癌从乳房影像分类方面取得了很高的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 乳腺癌是妇女死亡的主要原因,需要早期检测.
- 手动诊断耗时,突出了对自动化系统的需求.
- 早期发现乳腺癌可显著降低死亡率.
研究的目的:
- 利用特征融合开发一种用于自动化乳腺癌分类的新型框架.
- 提高乳腺癌检测的准确性和效率.
- 为了结合多样化的特征来进行可靠的分类.
主要方法:
- 利用CBIS-DDSM和MIAS数据集,使用图像增强和同型过进行预处理.
- 提取的手工制作 (HOG,LBP),统计 (MPCA),纹理和深度 (ViT) 特性.
- 实施了基于注意力的多尺度特征融合模型,具有软max分类.
主要成果:
- 在CBIS-DDSM数据集上实现了99.45%的准确性.
- 在MIAS数据集上达到99.73%的准确性.
- 与现有的乳腺癌检测技术相比,其表现卓越.
结论:
- 拟议的特征融合框架显著提高了自动化乳腺癌分类准确度.
- 这种自动化系统为早期和可靠的乳腺癌检测提供了一个有希望的工具.
- 多种特征的整合增强了诊断模型的稳定性.