A New Triplet Convolutional Neural Network for Classification of Lesions on Mammograms
Notice bibliographique
Résumé
Mammography provides a useful tool for breast cancer detection. However, many doctors have difficulty in making the right decision based on mammograms. This paper aims to set up a deep learning (DL) architecture that can effectively differentiate between benign and malignant tumors. Specifically, a new triplet convolutional neural network (CNN) was established with three subnetworks, each of which contains a succession of layer blocks. Each block consists of two convolutional layers, a dropout layer and a max-pooling layer. During operation, the region of interest (ROI) extracted from the mammogram is imputed to the first subnetwork, and processed by the Canny filter. The filtered results become the input of the second subnetwork, while the third subnetwork takes the whole image as input. To verify the effectiveness of our architecture, a set of 500 images from 301 patients was extracted from the DDSM database and augmented to 4,000 images, and divided into a training set (80 %) and a testing set (20 %). The results show that our architecture achieved an accuracy of 93.13 %, a sensitivity of 96 % and a specificity of 90.25 %. This research provides a desirable way to identify breast cancer based on mammography.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».