Diagnosis of Breast Cancer on Mammography using Attention-Based Convolutional Neural Network
Notice bibliographique
Résumé
Breast cancer is the most prevalent cancer in women, and its mortality numbers is rising globally. The reason for the increasing death rate is the finding of breast cancer in malignant stages (last stages). One of the finest methods for detecting breast cancer is mammography. As there are no symptoms at the early stages doctors feel difficult to identify breast cancer. Doctors feel very hard to identify the early stage of breast cancer in mammography films through their naked eye. To address these issues, a methodology for automatically detecting breast cancer in its preliminary stages has been developed. A system built using artificial intelligence has been designed to detect cancer in its early stages utilizing mammography films. Due to the monochromatic character of mammography images, salt and pepper noise as well as Gaussian noise was visible. The presence of the noise gives a grainy appearance to the mammography images. The median filter is used for pre-processing, and its accuracy is evaluated. The performance of the median filter is high, hence the mammography images are filtered using the median filter. To develop an automated method of breast cancer detection the pre-processed image is segmented and classified. Fuzzy C- Means Segmentation (FCM) is used to segment mammography images. Using an Attention Based Convolutional Neural Network (ABCNN), the classification of images is performed. The weights of the affected area are increased whereas the weights of other areas are decreased in an attention-based convolutional neural network. Hence it is easier to classify the affected area in earlier stages of cancer. This ABCNN enhances the classification performance without adding too many network parameters. So the computational cost is low when compared to other methods. The accuracy, specificity, and sensitivity of the classifier are evaluated in order to determine its performance. The combination of Fuzzy C-Means Segmentation and Attention Based Convolutional Neural Network produces high classification accuracy compared to other segmentation methods.
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 | 0,001 | 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 | 0,000 |
| 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 ».