阿迪蒂亚·坎帕里亚;巴拉蒂，苏布拉托;普拉乔伊·波德;迪帕克·古普塔;阿希什·坎纳;Phung，Thai Kim（泰国金邦）;Dang N.H.Thanh。 基于混合转移学习的现代钼靶摄影术的乳腺癌诊断。 （英语） Zbl 1465.92050 多维系统。信号处理。 32，第2号，747-765（2021）. 摘要：乳腺癌是女性常见的癌症。早期发现乳腺癌，尤其是癌症，可以大大提高女性的生存率，而且效果会更好。本文主要研究转移学习过程在乳腺癌检测中的应用。提出了一种改进的VGG（MVGG），并在乳房X光片的二维和三维图像数据集上实现。实验结果表明，该混合迁移学习模型（MVGG和ImageNet的融合）的准确率为94.3%。另一方面，只有所提出的MVGG架构提供了89.8%的准确率。因此，确切地说，所提出的混合预训练网络优于其他比较的卷积神经网络。该架构可被视为放射科医生降低假阴性和假阳性率的有效工具。因此，将提高乳腺造影分析的效率。 引用于4文件 MSC公司： 92C55 生物医学成像和信号处理 68T07型 人工神经网络与深度学习 关键词：混合迁移学习;医学图像分割;乳腺癌;乳房X射线照相术;3D乳房X射线照相术;卷积神经网络 软件：移动网络 PDF格式BibTeX公司 XML格式引用 \textit{A.Khamparia}等人，《多维系统》。信号处理。32，第2号，747--765（2021；Zbl 1465.92050） 全文： 内政部 arXiv公司 参考文献： [1] Alzubi，J.A.（2015）。基于分集的改进bagging算法。2015年（第1-5页）。 [2] JA阿尔祖比；Bharathikannan，B。；Tanwar，S。；马尼坎丹，R。；Khanna，A。；Thaventhiran，C.，用于肺癌疾病诊断的增强神经网络集成分类，应用软计算，80，579-591（2019）·doi:10.1016/j.asoc.2019.04.031 [3] Aro，AR；Absetz，SP；van Elderen，TM公司；范德普洛格，E。；范德坎普（van der Kamp），LJT，乳房X光检查中的假阳性结果导致短期不适——乳腺癌特异性关注的持续时间更长，《欧洲癌症杂志》，36，9，1089-1097（2000）·doi:10.1016/S0959-8049（00）00065-4 [4] Benhammou，Y。；Achchab，B。；Herrera，F。；Tabik，S.，《利用深度学习基于BreakHis的乳腺癌自动诊断：分类学、调查和见解》，神经计算，375，9-24（2020）·doi:10.1016/j.neucom.2019.09.044 [5] 巴拉蒂，S。；Podder，P。；Mondal，MRH，基于人工神经网络的乳腺癌筛查：综合综述，《国际计算机信息系统和工业管理应用杂志》，12125-137（2020） [6] 巴拉蒂，S。；Podder，P。；Mondal，MRH，从X射线图像检测肺部疾病的混合深度学习，医学信息学解锁，20（2020）·doi:10.1016/j.imu.2020.100391 [7] 巴拉蒂，S。；Podder，P。；Paul，PK，根据随机森林集合和RUSBoost算法使用LIDC数据进行肺癌识别和预测，混合智能系统国际期刊，15，2，91-100（2019）·doi:10.3233/HIS-190263 [8] Bharati，S.、Rahman，M.A.和Podder，P.（2018年）。应用不同分类算法进行乳腺癌预测，并使用WEKA进行对比分析。2018年在孟加拉国达卡举行的2018年第四届电气工程和信息通信技术国际会议（iCEEiCT）（第581-584页）。电气与电子工程师协会。doi:10.1109/ceeict.2018.8628084。 [9] Cancer.gov.（2018）。癌症统计事实：女性乳腺癌。2018年12月7日检索自，https://seer.cancer.gov/statfacts/html/breast.html。 [10] 塞利克，Y。；塔洛，M。；尤迪林，O。；卡拉巴塔克，M。；Acharya，UR，基于深度转移学习的全滑图像浸润性导管癌自动检测，《模式识别快报》，133232-239（2020）·doi:10.1016/j.patrec.2020.03.011 [11] Clinic，M.（2020年）。2020年12月7日检索自，https://www.mayoclinic.org/tests-procedures/3d-mamogram/about/pac-20438708。 [12] 驾驶员侧车门开关模块（DDSM）。(2020). 检索日期：2020年12月7日，来源：，http://www.eng.usf.edu/cvprg/Mammography/Database.html。 [13] Ertosun，M.G.和Rubin，D.L.（2015）使用深度学习在乳房X光摄影图像中对肿块进行概率视觉搜索。2015年（第1310-1315页）。电气与电子工程师协会。 [14] He，K.，Zhang，X.，Ren，S.，&Sun，J.（2016）。用于图像识别的深度残差学习。2016年（第770-778页）。 [15] 希思，M。；鲍耶，K。；Kopans，D。；KegelmeyerJr，P。；摩尔，R。；Chang，K.，筛查乳房X射线照相数字数据库的现状，数字乳房X射线摄影，13457-460（1998）·doi:10.1007/978-94-011-5318-8_75 [16] Howard，A.G.、Zhu，M.、Chen，B.、Kalenichenko，D.、Wang，W.、Weyand，T.等人（2017）。手机：用于移动视觉应用的高效卷积神经网络。arXiv:1704.04861。 [17] 胡，Q。；HM惠特尼；Giger，ML，利用多参数MRI改进乳腺癌诊断的深度学习方法，科学报告，10，1，1-11（2020）·doi:10.1038/s41598-019-56847-4 [18] 坎帕里亚，A。；古普塔，D。；阿尔伯克基，VHC；阿拉斯加州桑加亚；Jhaveri，RH，利用转移学习检测和分类宫颈细胞的健康事物互联网驱动的深度学习系统，《超级计算杂志》，76，1-19（2020）·doi:10.1007/s11227-020-03159-4 [19] 科布，TM；Lichy，J。；Newhouse，JH，筛查乳房X射线照相术、体检和乳腺超声检查的性能比较及影响因素评估：27825例患者评估分析，放射学，225，1，165-175（2002）·doi:10.1148/radiol.2251011667 [20] 科塞，美国。；Alzubi，J.，《癌症诊断的深度学习》（2020年），柏林：施普林格出版社，柏林 [21] Kumar，V.、Mishra，B.K.、Mazzara，M.、Thanh，D.N.H.和Verma，A.（2020年）。预测恶性和良性乳腺癌：医疗应用中的数据挖掘方法。《数据科学与管理进展》（第435-442页）。斯普林格。 [22] Kwok，S.（2018）全幻灯片图像中乳腺癌的多类别分类。2018年（第931-940页）。斯普林格。 [23] 李，RS；吉梅内兹，F。；Hoogi，A。；三宅一生，KK；Gorovoy，M。；Rubin，DL，《计算机辅助检测和诊断研究中使用的乳腺X光摄影数据集》，《科学数据》，4，1，170177（2017）·doi:10.1038/sdata.2017.177 [24] 李，S。；董，M。；杜，G。；Mu，X.，Attention dense-u-net for automatic must mass segmentation in digital mamprogram，IEEE Access，759037-59047（2019）·doi:10.1109/ACCESS.2019.2914873 [25] McGuire，A。；布朗，日航；马龙，C。；麦克劳林，R。；Kerin，MJ，年龄对乳腺癌检测和治疗的影响，癌症，7，2，908-929（2015）·doi:10.3390/cancers7020815 [26] 蒙达尔，MRH；巴拉蒂，S。；Podder，P。；Podder，P.，《新型冠状病毒疾病的数据分析》，《医学信息学》，20（2020）·doi:10.1016/j.imu.2020.100374 [27] Nawaz，W.、Ahmed，S.、Tahir，A.和Khan，H.A.（2018）使用alexnet对乳腺癌组织学图像进行分类。2018年（第869-876页）。斯普林格。 [28] 钱，J。；蒂瓦里，P。；Gochhayat，SP；HM Pandey，《IoTH的基于双字典的高尚ECG压缩技术》，IEEE物联网杂志，7，10，10160-10170（2020）·doi:10.1109/JIOT.2020.2974678 [29] EA拉弗蒂；帕克，吉咪；菲利普斯，LE；波普拉克，SP；JH Sumkin；Halpern，EF，《与单独使用数字乳房X射线照相术相比，使用数字乳房X线照相术和乳房断层合成术评估放射科医生的表现：多中心、多读者试验的结果》，放射学，266，1，104-113（2013）·doi:10.1148/radiol.12120674 [30] Rakhlin，A.、Shvets，A.、Iglovikov，V.和Kalinin，A.A.（2018年）。乳腺癌组织学图像分析的深度卷积神经网络。在论文中介绍了在国际会议上的图像分析和识别。 [31] 拉尼，SS；JA阿尔祖比；斯洛伐克拉克什曼纳普拉布；古普塔，D。；Manikandan，R.，《使用轻量级块密码在医疗用品互联网（IoHT）上实现基于用户的最佳安全数据传输》，多媒体工具和应用，79，1-20（2019） [32] 雷迪，AVN；克里希纳，CP；Mallick，PK；撒旦病，SK；蒂瓦里，P。；Zymbler，M.，使用混合深度信念网络分析MRI扫描以检测胶质母细胞瘤肿瘤，《大数据杂志》，7，1，1-17（2020）·doi:10.1186/s40537-020-00311-y [33] Sarmiento，A.和Fondón，I.（2018）基于颜色和纹理描述符的组织学图像乳腺癌自动分级。2018年（第887-894页）。斯普林格。 [34] 夏皮罗，S。；威尼特，W。；斯特拉克斯，P。；维内特，L。；Roeser，R.，《筛查对乳腺癌死亡率的十四年影响》，《国家癌症研究所杂志》，69，2，349-355（1982） [35] Shen，L.（2017）。使用全卷积设计进行全图像乳腺癌诊断的端到端培训。arXiv:1711.05775。 [36] Simonyan，K.和Zisserman，A.（2014）。用于大规模图像识别的深度卷积网络。arXiv:1409.1556。 [37] 辛格，VK；HA Rashwan；罗曼尼，S。；Akram，F。；潘迪，N。；Sarker，MMK，使用生成对抗和卷积神经网络在乳房X光照片中进行乳腺肿瘤分割和形状分类，应用专家系统，139112855（2020）·doi:10.1016/j.eswa.2019.112855 [38] Tan，W.、Tiwari，P.、Pandey，H.M.、Moreira，C.和Jaiswal，A.K.（2020年）。大数据时代的多模态医学图像融合算法。神经计算与应用。doi:10.1007/s00521-020-05173-2。 [39] D.Thanh。；Surya，P.，《CT和X射线图像去噪方法综述》，Informatica，43，2，151-159（2019）·doi:10.31449/inf.v43i2.2179 [40] Tiwari，P.和Melucci，M.（2018）。建立一个基于量子的二进制分类框架。2018年（第1815-1818页）。 [41] Tiwari，P.和Melucci，M.（2019a）。受量子理论启发的二进制分类器。2019年（第33卷，第10051-10052页）。 [42] 蒂瓦里，P。；Melucci，M.，《迈向一个量子启发的二进制分类器》，IEEE Access，742354-42372（2019）·doi:10.1109/ACCESS.2019.2904624 [43] 蒂瓦里，P。；钱，J。；李强。；王，B。；Gupta博士。；Khanna，A.，使用深度学习检测亚型血细胞，认知系统研究，521036-144（2018）·doi:10.1016/j.cogsys.2018年8月22日 [44] 蒂瓦里，P。；Uprety，S。；Dehdashti，S。；Hossain，MS，TermInformer：生物医学文献中的无监督术语挖掘和分析，神经计算和应用（2020）·doi:10.1007/s00521-020-05335-2 [45] Vahadane，A.、Peng，T.、Albarqouni，S.、Baust，M.、Steiger，K.、Schlitter，A.M.等（2015）组织学图像的结构保留颜色标准化。2015年（第1012-1015页）。电气与电子工程师协会。 [46] Vang，Y.S.，Chen，Z.，&Xie，X.（2018）多类乳腺癌组织学图像分类的深度学习框架。2018年（第914-922页）。斯普林格。 [47] 王，Z。；李，M。；Wang，H。；姜浩。；姚，Y。；Zhang，H.，使用基于特征融合的极限学习机器检测乳腺癌，IEEE Access，7105146-105158（2019）·doi:10.1109/ACCESS.2019.2892795 [48] 周，L-Q；吴，X-L；黄，S-Y；吴，G-G；Ye，H-R；Wei，Q.，利用深度学习从原发性乳腺癌US图像预测淋巴结转移，放射学，294，1，19-28（2020）·doi:10.1148/radiol.2019190372 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。