Enhanced Speckle Noise Reduction in Breast Cancer Ultrasound Imagery Using a Hybrid Deep Learning Model
Notice bibliographique
Résumé
Ultrasonic imaging serves as a pivotal tool in mitigating overdiagnosis of breast cancer in women, owing to its high sensitivity, low false-positive rate, and ability to reduce unnecessary biopsies.Nevertheless, these images are impaired by speckle noise, which appears as granular interference obscuring tissue boundaries and diminishing image contrast.This noise impedes subsequent image processing tasks such as edge detection, segmentation, feature extraction, and classification.Existing strategies for speckle noise reduction in ultrasonic images either compromise on effectiveness or demand substantial processing time, presenting challenges in preserving fine edge details.Addressing these issues, we propose an innovative hybrid deep learning model, FCNN-IDOA, which synergizes a Fundamental Convolutional Neural Network (FCNN) with an optimization algorithm.Our FCNN model is built upon the framework of GoogLeNet, enhanced with fifteen additional layers to augment its expressiveness.Subsequently, an Improved Dragonfly Optimization Algorithm (IDOA) is deployed to optimize FCNN's parameters, thereby improving the computational efficiency of the model.The suggested model has demonstrated superior performance, outstripping previous models in terms of accuracy.During experimental validation, the model achieved an average t(s) value of 84.764421, a PSNR value of 66, an MSE value of 54.9143, an RMSE value of 0.491631, and a final t(s) value of 83.759067.The results indicate that this novel model significantly outperforms the BC models, rendering it a promising solution for speckle noise reduction in breast cancer ultrasound images.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».