精调 Transformer 模型用于乳腺癌检测与分类
图像与视频处理
2026-01-26 v2
摘要
乳腺癌仍是全球癌症死亡原因的第二位，这强调了进行早期检测的重要性。传统的诊断方法，如乳腺钛化、超声和热图学，在捕捉细微模式和降低假阳性方面存在局限。人工智能（AI）和深度学习等新技术正在医学影像分析领域带来变革。然而，典型的架构如卷积神经网络（CNN）在建模长程依赖关系方面常常遇到问题。本文探讨了视觉转换模型（Swin Tiny、DeiT、BEiT、ViT 和 YOLOv8）用于乳腺癌检测的应用，这些模型通过一组乳腺钛化图像集合进行测试。ViT 模型达到了最高达 99.32% 的准确率，显示其在检测全局模式以及细微图像特征方面的优势。进一步应用于数据增强方法，如调整大小裁剪、翻转和归一化，以实现更高的性能。尽管取得了有趣的结果，但数据集多样性和模型优化等问题仍为新的研究方向。通过本研究，建议 transformer-based AI 模型在乳腺癌检测过程中展现出巨大的潜力，从而影响患者的健康状况。
关键词
引用
@article{arxiv.2512.02091,
title = {Fine-tuned Transformer Models for Breast Cancer Detection and Classification},
author = {Showkat Osman and Md. Tajwar Munim Turzo and Maher Ali Rusho and Md. Makid Haider and Sazzadul Islam Sajin and Ayatullah Hasnat Behesti and Ahmed Faizul Haque Dhrubo and Md. Khurshid Jahan and Mohammad Abdul Qayum},
journal= {arXiv preprint arXiv:2512.02091},
year = {2026}
}
备注
This paper contains 12 pages with 4 figures and 3 tables. This Paper is already accepted in IEEE Computational Intelligence Magazine (CIM)