Dec, 2023

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

PDF
TL;DR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。
transfer learningbreast cancer tumor classificationmobilenetv2ultrasound imagesdiagnostic precision
发现论文，激发创造
  • 基于 MobileNetV1 和 MobileNetV2 的乳腺癌性能研究

    研究人工智能在医学领域的应用，主要比较 MobileNetV1 和 MobileNetV2 模型在检测 Kaggle 下载的乳腺组织病理图像方面的表现，结果显示在处理该数据集的情况下，MobileNetV1 优于 MobileNetV2。

    Aug, 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

  • 利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

    本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

    Feb, 2020

  • 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

    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。

    Aug, 2023

  • 为发展中国家减少癌症诊断的长时间延误，提高患者生存率，设计一种基于深度学习的资源高效的诊断系统

    为解决发展中国家乳腺癌诊断的延误和患者生存率的不平等问题，本研究开发了一种基于深度学习的转移性乳腺癌诊断系统，具有高诊断准确性和计算效率，能够适应资源匮乏的医疗设施。

    Aug, 2023

  • 乳腺癌组织学图像分类的两级卷积神经网络

    此论文研究了乳腺组织的分类问题，提出了一种基于卷积神经网络的 “补丁 - 图像” 分类方法，并利用 ICIAR2018 数据集进行验证，在验证数据集上获得了 95% 的分类精度。

    Mar, 2018

  • 使用 DRDA-Net 和 MobileNet 进行乳腺癌分类的轻量级深度学习管道

    通过引入一种新的深度学习方法，结合 DRDA-Net 和 MobileNet 模型，旨在提高乳腺癌组织病理图像的分类准确性，从而为准确的乳腺癌诊断提供了更快速和更易于实现的筛查方案。

    Mar, 2024

  • 面向全球的乳腺癌筛查多实例分类器

    本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

    Jun, 2019

  • 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

  • 深度神经网络改善放射科医生乳腺癌筛查的表现

    本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

    Mar, 2019