基于集体的高性能深度学习模型用于乳腺癌检测中的医疗图像检索
Aya E Fawzy1,2, Mohammed E Almandouh3,4, Mostafa Herajy5
1Information Technology Management Department, Faculty of Management Technology and Information Systems, Port Said University, Port Said, Egypt. aya_elsayed@himc.psu.edu.eg.
Scientific reports
|March 12, 2026
概括
本研究介绍了一种结合CNN,RNN和XAI的深度学习模型,用于基于内容的医学图像检索 (CBMIR). 混合方法在分类乳房超声波图像方面达到99.24%的准确性,并提高了检索性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 医疗保健中的数字成像产生了大量的数据,这给有效管理和检索带来了挑战.
- 基于内容的医疗图像检索 (CBMIR) 系统对于管理医疗图像至关重要,但由于图像特征和临床含义之间的语义差距而面临限制.
研究的目的:
- 为基于内容的医疗图像检索 (CBMIR) 开发一种新的深度学习方法,以解决语义差距.
- 提高医学图像分类和检索在临床环境中的准确性和效率.
主要方法:
- 一个混合深度学习模型,集成卷积神经网络 (CNN),循环神经网络 (RNN) 和可解释AI (XAI).
- 使用乳房超声波图像 (BUSI) 数据集进行培训和评估.
- 该模型基于预测分析进行图像分类和检索.
主要成果:
- 在BUSI数据集上实现了高分类准确率99.24%.
- 在医学图像检索任务中表现出强的表现,有效地弥合了语义差距.
- 集成XAI为模型的决策过程提供了洞察力.
结论:
- 拟议的混合深度学习模型为基于内容的医学图像检索 (CBMIR) 提供了显著的进步.
- 这种方法有效地提高了医疗图像的分类和检索,特别是在乳房超声波诊断中.
- CNN,RNN和XAI的结合为未来的医学成像研究和应用提供了一个有希望的方向.
