Aug, 2023

CEIMVEN：一种基于经修改的 EfficientNet（V1-V2）架构的尖端实现方法，用于乳腺癌超声图像的检测与分类

PDF
TL;DR利用深度学习方法，通过超参数调整、完全连接层添加、异常值剔除等措施，用于检测和分析乳腺癌的超声图像，结果表明 EfficientNet 架构在乳腺癌早期检测和分型方面具有巨大潜力。
breast cancermedical image computing and processingultrasound imagesefficientnet architecturesdeep learning
发现论文，激发创造
  • 利用 MobileNetV2 进行增强的乳腺癌瘤分类：对图像强度、错误修正和基于 Streamlit 的实时部署的详细探索

    基于 Google 的 MobileNetV2 模型，利用来自埃及开罗的 Baheya 医院的数据集，该研究引入了一种复杂的转移学习模型，用于对乳腺癌肿瘤进行分类，分为正常、良性和恶性三类，采用 1576 张超声图像（265 张正常、891 张良性、420 张恶性）。该模型实现了 0.82 的准确率，0.83 的精确率，0.81 的召回率，0.94 的 ROC-AUC，0.88 的 PR-AUC 和 0.74 的 MCC。它研究了图像强度分布和错误分类，为未来的应用提供了改进。通过解决数据集不平衡问题，该研究确保了一个具有普适性的模型。此外，本论文探讨了基于 Streamlit 的实时肿瘤分类部署，展示了 MobileNetV2 在医学成像中的适用性，并为肿瘤诊断领域的未来研究设定了一个基准。

    Dec, 2023

  • 使用深度学习进行乳腺癌检测

    本文旨在提供一种基于 CNN 和深度学习的乳腺癌检测模型，该模型通过重建微波成像扫描数据并使用多种不同的 CNN 架构进行特征提取和肿瘤检测，最终得出使用 NASNetLarge 模型的 CNN 模型具有较高准确率和较低损失的结论，为微波成像技术在乳腺癌筛查中的应用提供了新的研究方向。

    Apr, 2023

  • 用 EfficientNet 算法分类不同类型的癌症

    本文使用 EfficientNet 算法对脑肿瘤、乳腺癌、胸癌和皮肤癌进行分类，并使用公开可用的数据集，在保证一致性和可比性的基础上进行预处理。实验结果表明，EfficientNet 算法在各种癌症数据集上均取得了高准确度、精确度、召回率和 F1 得分，优于文献中其他最先进的算法。我们还讨论了 EfficientNet 算法的优点和缺点，以及其在临床实践中的潜在应用。我们的研究结果表明，EfficientNet 算法非常适合于对不同类型的癌症进行分类，并可用于改善癌症诊断的准确性和效率。

    Apr, 2023

  • UGGNet: U-Net 和 VGG 的高级乳腺癌诊断桥梁

    UGGNet 是一种结合了 U-Net 和 VGG 架构的新型模型，用于增强乳腺超声图像分析的性能，提供准确的乳腺超声图像诊断的综合解决方案。

    Jan, 2024

  • 使用 EfficientNet 集成鉴定黑瘤图像：SIIM-ISIC 黑瘤分类挑战赢家方案

    本文介绍了我们使用的卷积神经网络模型集成方法来解决 SIIM-ISIC 皮肤黑色素瘤分类挑战问题，其中模型结合了不同的架构和输入大小，大多数仅使用图像模型，少数使用了图像级和患者级别的元数据，最终我们的解决方案使用稳定的验证方案，选择合适的模型目标，调整合理的流程和使用多样化的模型融合策略，实现了 0.9600 在交叉验证集上的 AUC 得分和 0.9490 在私有排行榜上的 AUC 得分。

    Oct, 2020

  • 乳腺癌检测与诊断：深度学习架构的现状比较研究

    本研究研究了应用深度学习模型和新兴模型 “Vision Transformer (ViT)” 进行乳腺癌的检测与诊断，结果表明 ViT 模型在准确性和效率方面均优于其他 CNN 架构，实现了 95.15％的准确率。

    May, 2023

  • 基于深度迁移学习的乳腺癌图像分类方法

    提出了一种结合深度学习和迁移学习的乳腺癌图像分类模型算法，解决了有限样本、耗时的特征设计和低准确率的问题。这个算法基于深度神经网络的 DenseNet 结构，通过引入注意机制构建网络模型，并使用多级迁移学习对增强的数据集进行训练，实验结果表明，该算法在测试集上达到了 84.0％以上的效率，与之前的模型相比显著提高了分类准确度，适用于医疗乳腺癌检测任务。

    Apr, 2024

  • 乳腺肿瘤分类的集成卷积神经网络

    本研究探索了三种分类网络，即 XceptionNet、DenseNet 和 EfficientNet，通过集成机制来提高计算机辅助乳腺肿块分类的识别能力。在公共数据集上验证该方案，可以获得 88％的准确度，85％的精度和 76％的召回率。

    Apr, 2023

  • 乳腺 X 光摄影图像中基于 BI-RADS 的机器学习分类性能

    通过使用来自 1,540 名患者的 2,945 张乳腺超声图像，研究了不同 BI-RADS 定义的乳腺超声图像类别对各种最先进的图像分类模型的分类准确性。结果表明，使用多种先进的分类架构（包括 VGG19、ResNet50、GoogleNet、ConvNext、EfficientNet 和 Vision Transformers），而非传统的机器学习模型，通过全方位的分析，我们的计算机辅助诊断 (CAD) 系统显著提高了准确性，在全 fine-tuning 设置下的准确率为 76.39% 和 F1 分数为 67.94%。这些发现表明乳腺成像领域的诊断精确度有潜力得到提高，为未来旨在改善医学成像 CAD 系统的精确度和可靠性的努力奠定了坚实的基础。

    Nov, 2023

  • 传统方法的超越：乳腺超声诊断的多任务网络

    乳腺超声在癌症诊断中起着重要作用，是一种非侵入性、具有成本效益的方法，在肿瘤定位和癌症分类任务中深度学习的发展使得许多基于 CNN 的方法被广泛研究。在本研究中，我们旨在重新设计和构建端到端多任务架构，以进行分割和分类。通过我们提出的方法，在分割任务中，使用 DeepLabV3 + 架构，实现了 79.8% 的卓越性能和时间效率达到 86.4%。

    Jan, 2024