通过基于扩散的数据增强和非线性特征融合实现热成像乳腺癌检测
计算机视觉与模式识别
2025-09-10 v1 人工智能
摘要
数据稀缺阻碍了深度学习在医学影像中的应用。我们提出一个用于热成像乳腺癌分类的框架，通过使用扩散概率模型（DPM）进行数据增强来解决此问题。我们基于 DPM 的增强被证明优于传统方法和 ProGAN 基线。该框架将来自预训练 ResNet-50 的深度特征与从 U-Net 分割的肿瘤中提取的手工非线性特征（例如，分形维数）进行融合。在这些融合特征上训练的 XGBoost 分类器达到了 98.0% 的准确率和 98.1% 的灵敏度。消融研究和统计测试证实，DPM 增强和非线性特征融合都是这一成功的关键且统计上显著的组成部分。这项工作验证了先进生成模型与可解释特征之间的协同作用，用于创建高精度的医学诊断工具。
引用
@article{arxiv.2509.07277,
title = {Breast Cancer Detection in Thermographic Images via Diffusion-Based Augmentation and Nonlinear Feature Fusion},
author = {Sepehr Salem and M. Moein Esfahani and Jingyu Liu and Vince Calhoun},
journal= {arXiv preprint arXiv:2509.07277},
year = {2025}
}
备注
Accepted to IEEE-EMBS International Conference on Biomedical and Health Informatics (BHI 2025)