干细胞研究与治疗杂志

抽象的

基于卷积神经网络的乳腺超声图像良恶性肿瘤分类

特拉加拉普·普拉巴卡

诊断乳腺癌的广泛方法是乳房超声 (BUS) 成像，但解释
将根据放射科医生的经验而有所不同。如今，CAD 系统可用于提供
有关 BUS 图像分类的信息。然而，大多数 CAD 系统都是基于手工制作的特征。这些特征
旨在对肿瘤进行分类。因此，这些特征的能力将决定
用于将肿瘤分类为良性和恶性的 CAD 系统的准确性。利用卷积神经网络
(CNN) 技术，我们可以改进 BUS 图像的分类。因为它提供了一种新的分类方法
和可泛化的图像表示，因此我们可以获得最佳准确度。但是，BUS 图像的数据库
规模较小，因此可能会受到限制，因为 CNN 无法从头开始训练。为了克服这个
缺点，我们研究了使用迁移学习方法，以使 CNN 方法在 BUS 图像分类方面实现最佳准确度
。VGG16_TL 方法的最终结果优于 AlexNet_TL。最终
结果表明，VGG16_TL 的准确率、灵敏度、特异性、精确度和 F1 值
分别为 88.23%、88.89%、88.89%、90% 和 88.2%。因此，我们可以说，预训练的 CNN 模型在 BUS 图像分类中可能达到良好的准确率
。