利用深度学习进行乳腺癌检测

​

Breast cancer detection using deep learning

解决问题：本篇论文旨在提出一种基于深度学习的模型，用于从重构的微波成像扫描数据中检测乳腺癌，旨在提高乳腺肿瘤检测的准确性和效率，对乳腺癌的诊断和治疗具有重要影响。这是一个新问题。

关键思路：本文提出了一个由不同的卷积神经网络(CNN)架构组成的框架，用于特征提取和基于区域的肿瘤检测。作者使用了7种不同的CNN架构，并比较它们的性能，最终选择了NASNetLarge作为最佳架构，其准确率为88.41%，损失为27.82%。相比当前领域的研究状况，本文的思路在于使用深度学习进行乳腺癌检测，这是一种新的研究方向。

其他亮点：本文使用了MRI衍生的乳腺模型数据集进行实验，结果表明，深度学习在微波图像中的乳腺癌检测具有很大的潜力。作者认为，该模型可以在当前形式下使用，但也可以在其他可比的数据集上进行改进和训练。本文的亮点在于提出了一种新的思路，并使用了多种CNN架构进行比较和选择。

关于作者：本文的主要作者为Gayathri Girish、Ponnathota Spandana和Badrish Vasu。他们来自印度的Jain University。根据我的数据库，他们之前没有代表作。

相关研究：近期的相关研究包括：1）”Breast Cancer Detection Using Convolutional Neural Network and Support Vector Machine” by S. S. Hussain, et al.，来自印度的Jamia Millia Islamia University；2）”Breast Cancer Detection Using Deep Learning Techniques” by S. D. Patil, et al.，来自印度的K. K. Wagh Institute of Engineering Education and Research。

论文摘要：本文提出了一种基于深度学习模型的乳腺癌检测方法，可以从微波成像扫描数据的重建图像中提取特征，进而提高乳腺肿瘤检测的准确性和效率。该方法包括不同的卷积神经网络（CNN）架构进行特征提取，以及一种基于区域的CNN进行肿瘤检测。作者使用了7种不同的CNN架构，包括DenseNet201、ResNet50、InceptionV3、InceptionResNetV3、MobileNetV2、NASNetMobile和NASNetLarge，比较它们的性能，结果表明NASNetLarge是最好的架构，其准确率为88.41％，损失为27.82％。该模型的AUC为0.786，可以得出结论，它适用于目前的形式，但可以在其他可比较的数据集上进行改进和训练。由于乳腺癌是女性死亡的主要原因之一，因此早期识别对于提高患者的治疗效果至关重要。由于微波成像具有非侵入性和产生高分辨率图像的能力，因此它是乳腺癌筛查的潜在工具。肿瘤的复杂性使得在微波图像中充分检测它们变得困难。本研究的结果表明，深度学习在微波图像中乳腺癌检测方面具有巨大的潜力。

​Read More