Efficient Feature Selection Using CNN, VGG16 and PCA for Breast Cancer Ultrasound Detection
Notice bibliographique
Résumé
Breast cancer frequently leads to fatalities among women worldwide and is the most commonly diagnosed form of cancer in this population.Ultrasound imaging, due to its versatility and non-invasive nature, serves as an auxiliary technique in breast cancer detection.Despite significant improvements in diagnostic methods, the precise and efficient classification of ultrasound images remains a challenge.This study proposes a novel approach to address this issue, employing an integration of deep learning and feature selection techniques aimed at enhancing the accuracy of breast ultrasound image classification.In the presented study, two primary models were proposed for the classification of real-world breast ultrasound images into three distinct categories: normal, benign, and malignant.The first model design leveraged Convolutional Neural Networks (CNN) and VGG16 for feature extraction.Subsequently, the second model incorporated Principal Component Analysis (PCA) into the framework of CNN and VGG16 for feature selection, aiming to reduce dataset dimensionality while preserving the maximum data variance before classification.The dataset used in this study, comprising 1059 breast ultrasound images, was obtained from the Breast Cancer Early Detection Clinic at Imam Al-Sadiq General Teaching Hospital in Babylon, Iraq.Images were categorized into normal, benign, and malignant based upon their respective characteristics.Evaluation of the proposed method was conducted based on accuracy, precision, F1 score, and recall.The classification accuracy for the models was as follows: 93% for CNN, 94% for CNN-PCA, 97% for VGG16, and 96% for VGG16-PCA.The findings of this study have considerable implications for breast cancer detection methodologies.The integration of deep learning techniques and feature selection strategies in our research offers a potentially more efficient and accurate diagnostic framework.Furthermore, this study provides a foundation for future development in ultrasound-based breast cancer detection, and it proposes a blueprint for enhanced diagnostic precision.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,001 |
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 ».