利用MobileNetV2增强乳腺癌肿瘤分类：对图像强度、误差缓解及Streamlit驱动的实时部署的详细探索
图像与视频处理
2024-01-09 v2 计算机视觉与模式识别
机器学习
摘要
本研究引入了一个基于Google MobileNetV2的复杂迁移学习模型，用于将乳腺癌肿瘤分类为正常、良性和恶性类别，使用的数据集包含1576张超声图像（265张正常，891张良性，420张恶性）。该模型达到了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以及0.74的MCC。研究考察了图像强度分布和误分类错误，为未来的应用提供了改进方向。通过解决数据集不平衡问题，本研究确保了模型的泛化能力。这项工作使用了由Walid Al-Dhabyani等人编制的、来自埃及开罗Baheya医院的数据集，强调了MobileNetV2在医学影像中的潜力，旨在提高肿瘤学的诊断精度。此外，本文还探索了基于Streamlit的部署，用于实时肿瘤分类，展示了MobileNetV2在医学影像中的适用性，并为肿瘤诊断的未来研究设立了基准。
引用
@article{arxiv.2312.03020,
title = {Enhanced Breast Cancer Tumor Classification using MobileNetV2: A Detailed Exploration on Image Intensity, Error Mitigation, and Streamlit-driven Real-time Deployment},
author = {Aaditya Surya and Aditya Shah and Jarnell Kabore and Subash Sasikumar},
journal= {arXiv preprint arXiv:2312.03020},
year = {2024}
}