Hybrid deep learning and active contour approach for enhanced breast lesion segmentation and classification in mammograms
Notice bibliographique
Résumé
Accurate segmentation and classification of breast lesions in mammography images are crucial steps in effective breast cancer screening and diagnosis. This study presents a hybrid deep learning and active contour approach to automated mammogram analysis. The proposed methodology leverages the powerful feature extraction capabilities of deep convolutional neural networks and the precise boundary delineation of active contour models. A U-Net is trained on a large dataset of mammogram images to learn discriminative features and generate initial segmentation masks for breast lesions. Subsequently, an active contour refinement stage is employed to fine-tune the segmentation boundaries and enhance lesion delineation accuracy. This integration of active contour models (ACM) with deep learning techniques overcomes traditional image segmentation limitations. Morphological operations and energy minimization techniques are applied to the initial segmentation mask, resulting in highly accurate and refined lesion segmentation. This study investigates the synergistic integration of deep learning with Adaptive Contour Modeling for breast lesion segmentation. Our proposed U-Net_ACM model leverages the strengths of both approaches, demonstrating state-of-the-art performance and outperforming methods relying solely on deep learning or traditional image processing techniques. Evaluation on a test set reveals a 97.34 % accuracy, a Dice coefficient of 0.813, and an Intersection over Union of 0.891 for the U-Net_ACM model. These results surpass the performance of established pre-trained deep learning models such as VGG16, VGG19, and DeepLabV3, highlighting the benefits of the combined approach. This hybrid methodology offers a robust, automated solution for mammogram analysis, potentially improving breast cancer screening outcomes. The superior segmentation quality and overall performance demonstrated by the U-Net_ACM model suggest its potential for enhancing breast cancer screening and diagnosis in clinical settings.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».