Классификация микрокальцификатов рака молочной железы с использованием гибридной модели глубокого обучения с дискретным вейвлет-преобразованием и ResNet-50 с усилением внимания

Аннотация

Рак молочной железы остается существенной проблемой общественного здравоохранения, характеризующейся растущей распространенностью. Точное раннее выявление имеет первостепенное значение для эффективного лечения и улучшения результатов лечения рака молочной железы. Разнообразие опухолей молочной железы и сложность их микросреды представляют собой значительные проблемы. Создание надежного подхода к обнаружению кальцификации молочной железы и микрокальцификации является постоянной проблемой, которую исследователи должны продолжать изучать. Цель состоит в том, чтобы разработать эффективную методологию, которая способствует повышению выживаемости пациентов. Поэтому в этой статье представлен новый подход к классификации кальцификации молочной железы в маммографии, направленный на различение доброкачественных и злокачественных случаев. Стремясь решить эти проблемы, мы предложили наш гибридный подход к классификации кальцификации молочной железы на изображениях маммограммы. Предлагаемый подход начинается с фазы предварительной обработки изображения, которая включает фильтры шумоподавления и улучшения. После этого мы предложили нашу гибридную архитектуру классификации. Гибридная модель объединяет три ключевых компонента для классификации микрокальцификатов при раке молочной железы: дискретное вейвлет-преобразование (DWT) и механизмы внимания (сжатие и возбуждение (SE)) и ResNet 50. Используя набор данных CBIS-DDSM, применение нашей предложенной гибридной модели DWT and SE-Augmented ResNet-50 достигло максимальной точности 96,74% по сравнению с использованием только ResNet 50, где ее точность достигла 91,79%.