×

应用混合转移学习的现代钼靶摄影诊断乳腺癌。 (英语) Zbl 1465.92050

摘要:乳腺癌是女性常见的癌症。早期发现乳腺癌,尤其是乳腺癌,可以大大提高妇女的生存率,而且效果会更好。本文主要研究转移学习过程在乳腺癌诊断中的应用。提出并实现了一种基于二维和三维乳腺图像数据集的改进VGG算法。实验结果表明,所提出的混合迁移学习模型(MVGG和ImageNet的融合)具有94.3%的准确率。另一方面,只有提出的MVGG体系结构才能提供89.8%的准确率。因此,可以确切地说,所提出的混合预训练网络优于其他比较卷积神经网络。该架构可作为放射科医师降低假阴性及假阳性率的有效工具。因此,可以提高钼靶分析的效率。

理学硕士:

92C55型 生物医学成像与信号处理
68T07型 人工神经网络与深度学习
PDF格式 BibTeX公司 XML 引用

参考文献:

[1] Alzubi,J.A.(2015年)。基于分集的改进bagging算法。2015年(第1-5页)。
[2] 阿尔祖比,JA;Bharathikannan,B。;Tanwar,S。;曼尼坎丹,R。;卡纳,A。;Thaventhiran,C.,肺癌疾病诊断的增强神经网络集成分类,应用软计算,80579-591(2019年)
[3] 阿罗,阿瑞;阿布塞茨,SP;van Elderen,TM;范德普洛格E。;van der Kamp,LJT,《乳腺癌筛查中的假阳性发现导致短期痛苦乳腺癌的特殊关注持续时间更长,欧洲癌症杂志,36,9,1089-1097(2000)
[4] 本哈莫,Y。;阿查布,B。;赫雷拉,F。;Tabik,S.,BreakHis-based乳腺癌自动诊断使用深度学习:分类学,调查和见解,神经计算,375,9-24(2020)
[5] 巴拉蒂,S。;波德,P。;Mondal,MRH,基于人工神经网络的乳腺癌筛查:全面综述,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。;波德,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)
[7] 巴拉蒂,S。;波德,P。;Paul,PK,基于随机森林集合和RUSBoost算法的肺癌识别和预测,使用LIDC数据的国际混合智能系统杂志,15,2,91-100(2019)
[8] Bharati,S.,Rahman,M.A.和Podder,P.(2018年)。应用不同分类算法的乳腺癌预测与WEKA比较分析。2018年第四届电气工程与信息通信技术国际会议(ICEICT),孟加拉国达卡,2018年(第581-584页)。IEEE。doi:10.1109/ceeict.2018.8628084。
[9] Cancer.gov.(2018年)。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。;滑石。;伊尔德林,O。;卡拉巴塔克,M。;Acharya,UR,基于全幻灯片图像深度转移学习的浸润性导管癌自动检测,模式识别字母,133232-239(2020)
[11] 诊所,M.(2020年)。2020年12月7日检索自,https://www.mayoclinic.org/tests-procedures/3d-maymogram/about/pac-20438708。
[12] DDSM。(2020年)。2020年12月7日检索自,http://www.eng.usf.edu/cvprg/Mammography/Database.html。
[13] Ertosun,M.G.和Rubin,D.L.(2015)利用深度学习对乳房X光摄影图像中肿块的概率视觉搜索。2015年(第1310-1315页)。IEEE。
[14] He,K.,Zhang,X.,Ren,S.,和Sun,J.(2016年)。图像识别的深度残差学习。2016年(第770-778页)。
[15] 希思,M。;鲍耶,K。;科帕斯,D。;KegelmeyerJr,P。;摩尔,R。;Chang,K.,乳腺X光检查数字数据库的现状,数字乳房X光摄影,13457-460(1998)
[16] Howard,A.G.,Zhu,M.,Chen,B.,Kalenichenko,D.,Wang,W.,Weyand,T.等人(2017年)。Mobilenets:用于移动视觉应用的有效卷积神经网络。arXiv:1704.04861。
[17] 胡,Q。;惠特尼,嗯;Giger,ML,《利用多参数MRI改善乳腺癌诊断的深度学习方法》,科学报告,10,1,1-11(2020)
[18] 坎帕利亚,A。;古普塔,D。;阿尔伯克基,VHC;阿拉巴马州桑盖亚;Jhaveri,RH,健康物联网驱动的使用转移学习检测和分类宫颈细胞的深度学习系统,超级计算杂志,76,1-19(2020)
[19] 科尔布,TM;利希,J。;Newhouse,JH,乳腺X光检查、体检和乳腺超声检查的性能比较及其影响因素的评估:27825例患者评估的分析,放射学,225,1165-175(2002)
[20] 科斯,美国。;Alzubi,J.,癌症诊断深度学习(2020),柏林:斯普林格,柏林
[21] Kumar,V.,Mishra,B.K.,Mazzara,M.,Thanh,D.N.H.和Verma,A.(2020年)。乳腺癌良恶性预测: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;吉门尼斯,F。;胡吉,A。;三宅一生;戈罗沃伊,M。;Rubin,DL,《用于计算机辅助检测和诊断研究的精确乳腺摄影数据集》,《科学数据》,4170177(2017年)
[24] 李,S。;东,M。;杜克。;Mu,X.,digital Mammography中自动乳腺肿块分割的Attention dense-u-net,IEEE Access,759037-59047(2019年)
[25] 麦奎尔,A。;布朗,日航;马龙,C。;麦克劳夫林,R。;Kerin,MJ,年龄对乳腺癌检测和管理的影响,癌症,7908-929(2015)
[26] 蒙达尔,MRH;巴拉蒂,S。;波德,P。;Podder,P.,新型冠状病毒疾病的数据分析,医学信息学解锁,20(2020年)
[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公司;潘迪,HM,《基于双字典的IoTH心电压缩技术》,IEEE物联网杂志,7,10,10160-10170(2020)
[29] 拉弗蒂,EA;帕克,吉咪;费城;波普拉克;JH萨姆金;Halpern,EF,使用数字乳腺摄影术和乳腺断层摄影术相结合的方法评估放射科医生的表现,与单纯数字乳腺摄影术相比:多中心、多读卡器试验的结果,放射学,266,1104-113(2013)
[30] Rakhlin,A.,Shvets,A.,Iglovikov,V.和Kalinin,A.A.(2018年)。乳腺癌深部卷积神经网络图像分析。论文在国际会议上介绍了图像分析与识别。
[31] 拉尼,SS;阿尔祖比,JA;克什曼纳普拉布,SK;古普塔,D。;Manikandan,R.,《医疗保健用品互联网(IoHT)上基于最佳用户的安全数据传输,轻量级分组密码,多媒体工具和应用》,79,1-20(2019年)
[32] 雷迪,AVN;克里希纳,CP;马立克,PK;撒旦病,SK;蒂瓦里,P。;Zymbler,M.,使用混合深信念网络分析MRI扫描以检测胶质母细胞瘤肿瘤,大数据杂志,7,1,1-17(2020)
[33] Sarmiento,A.和Fondon,I.(2018)基于颜色和纹理描述符的组织学图像的自动乳腺癌分级。2018年(第887-894页)。斯普林格。
[34] 夏皮罗,S。;维内,W。;斯特拉克斯,P。;维内,L。;Roeser,R.,筛查对乳腺癌死亡率的10-14年影响,国家癌症研究所杂志,69,2349-355(1982)
[35] Shen,L.(2017年)。全卷积设计全影像乳腺癌诊断的端到端训练。arXiv:1711.05775。
[36] Simonyan,K.和Zisserman,A.(2014年)。用于大规模图像识别的非常深的卷积网络。arXiv:1409.1556。
[37] 辛格,VK;拉什旺,哈;罗马尼,S。;阿克兰,F。;北卡罗来纳州潘迪。;Sarker,MMK,使用生成性对抗性和卷积神经网络的乳腺肿瘤分割和形态分类,专家系统与应用,139112855(2020)
[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] Thanh,D。;Surya,P.,CT和X射线图像去噪方法综述,Informatica,43,2151-159(2019年)
[40] Tiwari,P.和Melucci,M.(2018年)。一个量子启发的二进制分类框架。2018年(第1815-1818页)。
[41] Tiwari,P.和Melucci,M.(2019a年)。量子理论启发的二元分类器。2019年(第33卷,第10051-10052页)。
[42] 蒂瓦里,P。;Melucci,M.,《走向量子启发的二进制分类器》,IEEE Access,742354-42372(2019年)
[43] 蒂瓦里,P。;钱,J。;李,Q。;王,B。;古普塔,D。;Khanna,A.,使用深度学习检测亚型血细胞,认知系统研究,521036-1044(2018)
[44] 蒂瓦里,P。;上升,S。;德赫达什蒂。;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)
[45] Vahadane,A.,Peng,T.,Albarqouni,S.,Baust,M.,Steiger,K.,Schliter,A.M.等人(2015)组织学图像的结构保留颜色标准化。2015年(第1012-1015页)。IEEE。
[46] Vang,Y.S.,Chen,Z.和Xie,X.(2018)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。;王,H。;江,H。;姚,Y。;Zhang,H.,《基于特征融合的极端学习机器检测乳腺癌》,IEEE Access,7105146-105158(2019年)
[48] 周,L-Q;吴,X-L;黄,S-Y;吴,G-G;是的,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)
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。