基于深度卷积神经网络、迁移学习与集成模型的乳腺癌检测研究
图像与视频处理
2024-09-11 v1 计算机视觉与模式识别
摘要
在深度学习领域，迁移学习和集成模型在提高计算机辅助疾病诊断方面显示出良好的前景。然而，实际应用中仍较为有限。此外，集成模型的开发方法较为粗糙，忽略了冗余层，且受数据不平衡和不足增广的影响。最后，尽管已有大量深度卷积神经网络（D-CNN）被引入用于乳腺癌的检测与分类，但鲜有进行比较研究以探究现有 CNN 架构的准确性与效率。针对上述差距，本研究比较了包括原始 CNN、迁移学习和集成模型在内的 D-CNN 在乳腺癌检测中的性能。本文的比较研究包括使用六种 CNN 架构（SE-ResNet152、MobileNetV2、VGG19、ResNet18、InceptionV3 和 DenseNet-121）进行乳腺癌检测，结合迁移学习与集成模型。在这些模型的比较中，集成模型在乳腺癌检测与分类中提供了最高的检测和分类准确率，达到 99.94%。然而，本研究也发现了迁移学习的负面结果，即迁移学习未能提高原始 SE-ResNet152、MobileNetV2、VGG19、ResNet18、InceptionV3 和 DenseNet-121 模型的准确率。CNN 模型在乳腺癌疾病检测中的高准确率表明，CNN 模型在乳腺癌疾病检测方面具有潜力。该研究在生物医学工程、计算机辅助疾病诊断和基于机器学习的疾病检测方面具有重要意义。
引用
@article{arxiv.2409.06699,
title = {A study on Deep Convolutional Neural Networks, Transfer Learning and Ensemble Model for Breast Cancer Detection},
author = {Md Taimur Ahad and Sumaya Mustofa and Faruk Ahmed and Yousuf Rayhan Emon and Aunirudra Dey Anu},
journal= {arXiv preprint arXiv:2409.06699},
year = {2024}
}