Unveiling Breast Tumor Characteristics: A ResNet152V2 and Mask R-CNN Based Approach for Type and Size Recognition in Mammograms
Notice bibliographique
Résumé
As one of the most prevalent and lethal diseases afflicting women today, breast cancer detection remains a pivotal area of focus.Although mammogram images, exploited in Computer-Aided Design (CAD) systems, provide an early detection avenue, their reliability for accurate recognition of tumor density types and sizes, particularly in type C and D breasts, is questionable.To address this challenge, a novel approach for tumor identification, categorization, and size estimation in various breast types is put forth in this study.In the proposed model, features are extracted from a mammographic image analysis dataset using a pre-trained Convolutional Neural Network (CNN) architecture for left-right comparison, followed by the deployment of ResNet152V2 for distinguishing between the four mammogram types (A, B, C, and D).Subsequently, normal, and abnormal breasts are differentiated within the mammogram images.The final step employs a Mask Region-Based Convolutional Neural Network (Mask R-CNN) to discern malignant from benign tumors and to estimate tumor size.The experimental outcomes demonstrate an impressive 100% overall accuracy in type comparison using ResNet152V2, thereby substantiating its viability as a model for mammogram type detection and classification.This study thus provides a compelling argument for the application of ResNet152V2 in the context of breast cancer detection and diagnosis.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,001 |
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 ».