×

BreaCNet:基于移动卷积神经网络的高精度乳腺温谱分类器。 (英语) Zbl 1489.92086号

小结:一个训练有素的、具有高准确率的移动CNN模型的存在对于构建一个基于移动的早期乳腺癌检测仪至关重要。在本研究中,我们提出了一个移动神经网络模型乳腺癌移动网络(BreaCNet)及其实现框架。BreaCNets包括一个有效的乳腺温度图分割算法和一个基于移动CNN模型的分类器。采用边缘检测和二阶多项式曲线拟合技术的分割算法可以有效地捕获热图像的感兴趣区域(ROI),从而促进高效的特征提取。该分类器基于ShuffleNet开发,通过添加一个包含1028个滤波器的卷积层的块。改进后的ShuffleNet具有610万个参数和22MB大小,非常适合学习。仿真结果表明,仅使用改进的ShuffleNet就可以获得72%的准确率,但与所提出的分割算法集成时,性能优于100%的准确率。在正常和异常检测的诊断准确性方面,BreaCNet显著提高了敏感性,从43%提高到100%,特异性提高到100%。我们证实,仅将输入数据集的ROI反馈给网络可以提高分类器的性能。在BreaCNet的实现方面,建议使用设备推断来确保用户的数据隐私,并处理不可靠的网络连接。

MSC公司:

92 C55 生物医学成像和信号处理
68T07型 人工神经网络与深度学习
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Y、 《深度学习》,《自然》,521436-444(2015)·doi:10.1038/nature14539
[2] A、 《利用深度神经网络对皮肤癌进行皮肤科级别分类》,《自然》,542115-118(2017)·doi:10.1038/自然21056
[3] P、 在结肠镜检查过程中检测息肉的深度学习算法的开发和验证,Nat.Biomed。工程师,2741-748(2018)·doi:10.1038/s41551-018-0301-3
[4] M、 心律失常检测的多层深度学习模型,IEEE Trans。仪器。测量。,1,1-9(2021)·doi:10.1109/TIM.2020.3033072
[5] J、 基于深度学习的胸片恶性肺结节自动检测算法的开发与验证,放射学,290,218-228(2019)·doi:10.1148/radiol.2018180237
[6] A、 部署机器和深度学习模型,以有效地对19型冠状病毒感染进行数据增强检测,《病毒》,12769(2020)·doi:10.3390/v12070769
[7] S、 Cxnet-m1:利用基于图像的深度学习对胸部x光片进行异常检测,IEEE Access,74466-4477(2019)·doi:10.1109/ACCESS.2018.2885997
[8] K、 使用深度学习进行结核病检测的图像增强,IEEE Access,8897-217(2020)·doi:10.1109/ACCESS.2020.3041867
[9] H、 乳腺癌筛查的深度卷积神经网络。方法生物识别程序。,157, 19-30 (2018) ·doi:10.1016/j.cmpb.2018.01.11
[10] M、 通过基于yolo的深度学习cad系统Compute在数字乳房X光片中同时检测和分类乳腺肿块。方法生物识别程序。,157, 85-94 (2018) ·doi:10.1016/j.cmpb.2018.017
[11] H、 在超声图像中检测甲状腺乳头状癌的改进的深度学习方法,科学。代表,8,1-12(2018)·doi:10.1038/s41598-018-25005-7
[12] H、 用于乳腺癌分类的光谱空间特征集成卷积神经网络,Sensors,204747(2020)·数字对象标识码:10.3390/s20174747
[13] R、 使用混合深度神经网络对乳腺癌组织病理学图像进行分类,方法,173,52-60(2020)·doi:10.1016/j.ymeth.2019.06.014
[14] A.Rakhlin,A.Shvets,V.Iglovikov,A.A.Kalinin,乳腺癌组织学图像分析的深层卷积神经网络,收录于《国际会议图像分析与识别》,Springer,(2018),737-744。
[15] D、 基于卷积神经网络组织学图像的乳腺癌分类,IEEE Access,624680-24693(2018)·doi:10.1109/ACCESS.2018.2831280
[16] D、 使用增量增强卷积网络对乳腺癌组织学图像进行分类,Inf.Sci。,482, 123-138 (2019) ·doi:10.1016/j.ins.2018.12.089
[17] R.Roslidar,K.Saddami,F.Arnia,M.Syukri,K.Munadi,基于热成像的乳腺癌分类微调CNN模型研究,收录于2019年IEEE控制论和计算智能国际会议,(2019),77-81。
[18] F.J.Fernández-Ovies,E.S.Alférez-Baquero,E.J.de AndréS-Galiana,A.Cernea,Z.Ferná)ndez-Muñiz,J.L.Fernandez-Martínez,《利用红外热像和深层神经网络检测乳腺癌》,收录于《生物信息学和生物医学工程国际工作会议》,斯普林格,(2019),514-523。
[19] J、 一种基于cnn的乳腺癌热像诊断方法,Compute。方法生物技术。生物识别。工程成像视觉。,2021年1月9日至15日·doi:10.1080/21681163.2020.1824685
[20] J.C.Torres-Galván、E.Guevara、F.J.González,乳腺癌热像图预筛选的深度学习架构比较,收录于2019年《光子北》。IEEE,(2019),1-2。
[21] S、 通过梯度向量流和卷积神经网络的热像图图像分割识别乳腺癌,J.Healthc。工程师,2019,1-13(2019)·doi:10.1155/2019/9807619
[22] R、 多输入卷积神经网络用于乳腺癌检测,使用热图像和临床数据,计算机。方法生物识别程序。,204, 106045 (2021) ·doi:10.1016/j.cmpb.2021.106045
[23] R、 乳腺癌检测的热成像和深度学习方法的最新进展综述,IEEE Access,8116176-116194(2020)·doi:10.1109/ACCESS.2020.3004056
[24] B、 在资源有限的国家早期检测乳腺癌,《乳腺杂志》,9,S51-S59(2003)·数字对象标识代码:10.1046/j.1524-4741.9.s2.4.x
[25] R.Sankaranarayanan、K.Ramadas、S.Thara、R.Muwonge、J.Prabhakar、P.Augustine等,《临床乳房检查:印度分组随机对照试验的初步结果》,J.Natl。癌症研究所,(20011),1476-1480。doi:<a href=“http://dx.doi.org/10.1093/jnci/djr304“target=”_blank“>10.1093/jnci/djr304</a>。
[26] 世界卫生组织,《乳腺癌:预防和控制》(2019年)。可从以下网址获得:<a href=“https://www.who.int/cancer/detection/breastcancer/en“target=”_blank“>https://www.who.int/cancer/detection/breastcancer/en</a>。
[27] 思科,《思科互联网年度报告(2018-2023)》,报告,(2020)。可从以下网址获得:<a href=“https://www.cisco.com/c/en/us/solutions/collateral/executive-perspectives/annual-internet-report/white-paper-c11-741490.html“target=”_blank“>https://www.cisco.com/c/en/us/solutions/collateral/executive-perspectives/annual-internet-report/white-paper-c11-741490.html</a>。
[28] 卡特彼勒,《集成热成像》,(2020年)。可从以下网址获得:<a href=“https://www.catphones.com/en-dk/features/integrated-thermal-imaging网站“target=”_blank“>https://www.catphones.com/en-dk/features/integrated-thermal-imaging网站</a>。
[29] FLIR,《Blackview bv9800 pro》,现提供FLIR轻子热像仪,(2020年)。可从以下网址获得:<a href=“https://www.flir.com/news-center/pross-releases/blackview-bv9800-pro-featuring-flir-lepton-thermal-cameration-available-now(https://www.flir.com/news-center/pross-releases/blackview-bv9800-pro-featuring-flir-lepton-thermal-cameration-available-now)“target=”_blank“>https://www.flir.com/news-center/press-releases/blackview-bv9800-pro-featuring-flir-lepton-thermal-camera-available-now网站</a>。
[30] Teledyne Fire,飞1代3,2020年。可从以下网址获得:<a href=“https://www.flir.com/products/flir-one-gen-3“target=”_blank“>https://www.flir.com/products/flir-one-gen-3</a>。
[31] J.Wang,B.Cao,P.Yu,L.Sun,W.Bao,X.Zhu,面向移动应用的深度学习,《2018 IEEE第38届分布式计算系统国际会议论文集》,(2018),1385-1393。
[32] Roslidar,M.K.Muchamad,F.Arnia,M.Syukri,K.Munadi,部署用于移动乳房自我筛查的训练cnn模型的概念框架,收录于《2021年第18届电气工程/电子、计算机、电信和信息技术国际会议》,(2021),533-537。
[33] A.Koul、S.Ganju、M.Kasam,《云、移动和ddge的实用深度学习:使用python、keras和tensorflow的现实世界人工智能和计算机视觉项目》,O'Reilly Media,2019年。
[34] <i> Apk扩展文件</i>,2020年。可从以下网址获得:<a href=“https://developer.android.com/google/play扩展文件“target=”_blank“>https://developer.android.com/google/play扩展文件</a>。
[35] L、 一个新的红外图像乳腺研究数据库,J.Med.Imageing Health Inform。,4, 92-100 (2014) ·doi:10.1166/jmihi.2014.1226
[36] T、 从图像处理角度看乳腺热像图:一项调查,信号处理。,93, 2785-2803 (2013) ·doi:10.1016/j.sigpro.2012.08.012
[37] 周瑜、陈绍、王瑜、黄文华,轻量级卷积神经网络研究综述,收录于《2020年IEEE第五届信息技术与机电一体化工程会议》,(2020),1713-1720。
[38] A、 用于移动设备的小型和细长深度卷积神经网络,IEEE Access,8125210-125222(2020)·doi:10.1109/ACCESS.2020.3005161
[39] S.B.Shuvo,S.N.Ali,S.I.Swapnil,T.Hasan,M.I.H.Bhuiyan,使用基于emd-cwt的混合尺度图从肺部听诊声音中检测呼吸道疾病的轻量级cnn模型,IEEE J.Biomed。健康信息</i> ,2020年。
[40] M.Sandler,A.Howard,M.Zhu,A.Zhmoginov,L.C.Chen,MobileNetV2:倒置残差和线性瓶颈,摘自《IEEE计算机视觉和模式识别会议论文集》,(2018),4510-4520。
[41] F.Cholet,Xception:深度学习与深度可分离卷积,收录于IEEE计算机视觉与模式识别会议论文集,(2017),1251-1258。
[42] K.He,X.Zhang,S.Ren,J.Sun,图像识别的深度剩余学习,《IEEE计算机视觉和模式识别会议论文集》,(2016),770-778。
[43] X.Zhang,X.Zhou,M.Lin,J.Sun,Shufflenet:一种用于移动设备的非常有效的卷积神经网络,摘自《IEEE计算机视觉和模式识别会议论文集》,(2018),6848-6856。
[44] A.G.Howard,M.Zhu,B.Chen,D.Kalenichenko,W.Wang,T.Weyand,et al.,《移动设备:移动视觉应用的高效卷积神经网络》,预印本,arXiv:1704.04861。
[45] MathWorks,预训练深度神经网络,2020年。可从以下网址获得:<a href=“https://www.mathworks.com/help/deeplearning/ug/prefained-convolutional-neural-networks.html“target=”_blank“>https://www.mathworks.com/help/deeplearning/ug/prefained-convolutional-neural-networks.html</a>。
[46] N、 医学图像分析的卷积神经网络:全训练还是微调?,IEEE传输。医学成像,351299-1312(2016)·doi:10.1109/TMI.2016.2535302
[47] M、 利用热像仪作为传感器诊断乳腺癌的支持性非侵入性工具,Sensors,17497(2017)·数字对象标识代码:10.3390/s17030497
[48] J.Cho,K.Lee,E.Shin,G.Choy,S.Do,训练医学图像深度学习系统以达到必要的高精度需要多少数据?,预打印,arXiv预打印arXiv:1511.06348。
[49] X.H.Zhou,D.K.McClish,N.A.Obuchowski,诊断医学的统计方法</i>,John Wiley&Sons,(2009)·Zbl 1268.62146号
[50] 周庆庆,李振康,J.K.Aggarwal,基于边缘图的热图像边界提取,载《2004年ACM应用计算研讨会论文集》,(2004),254-258。
[51] G、 乳房下皱襞:内容、临床意义和对立即乳房重建的影响,英国整形外科杂志。外科,57,146-149(2004)·doi:10.1016/j.bjps.2003.11.030
[52] D、 使用自动分割和纹理特征、信号图像和视频处理对乳房温度图进行不对称分析。,11, 745-752 (2016) ·doi:10.1007/s11760-016-1018-y
[53] R.P.Canale,S.C.Chapra,《个人计算机应用工程师的数值方法》,McGraw-Hill,2000年。
[54] R.P.dos Santos,G.S.Clemente,T.I.Ren,G.D.Cavalcanti,基于形态学和直方图投影的文本行分割,收录于2009年第十届国际文档分析与识别会议,IEEE,(2009),651-655。doi:<a href=“http://dx.doi.org/10.109/ICDAR.2009.183“target=”_blank“>10.1109/ICDAR.2009.183</a>。
[55] A、 用深度卷积神经网络进行图像分类,Commun。ACM,60,84-90(2017)·doi:10.1145/3065386
[56] S、 计算机视觉卷积神经网络指南,Synth。莱克特。计算。愿景,8,1-207(2018)·doi:10.2200/S00822ED1V01Y201712COV015
[57] A.Géron,《使用Scikit-Learn、Keras和TensorFlow进行动手机器学习:构建智能系统的概念、工具和技术》,O'Reilly Media,(2019年)。
[58] V.Nair,G.E.Hinton,《校正线性单位改进受限boltzmann机器》,ICML,(2010)。
[59] D.Scherer,A.Müller,S.Behnke,《对象识别卷积结构中池操作的评估》,收录于《人工神经网络国际会议》,Springer,(2010),92-101。
[60] N、 关于梯度下降学习算法中的动量项,神经网络,12145-151(1999)·doi:10.1016/S0893-6080(98)00116-6
[61] S.C.Kothari,H.Oh,用于模式识别的神经网络,Elsevier,(1993),119-166·Zbl 0850.68292号
[62] I.Goodfellow,Y.Bengio,A.Courville,深度学习,马萨诸塞州:麻省理工学院出版社,2016年·Zbl 1373.68009号
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。