A Multitask CNN for Near-Infrared Probe: Enhanced Real-Time Breast Cancer Imaging
Notice bibliographique
Résumé
The early detection of breast cancer, particularly in dense breast tissues, faces significant challenges with traditional imaging techniques such as mammography. This study utilizes a Near-infrared Scan (NIRscan) probe and an advanced convolutional neural network (CNN) model to enhance tumor localization accuracy and efficiency. CNN processed data from 133 breast phantoms into 266 samples using data augmentation techniques, such as mirroring. The model significantly improved image reconstruction, achieving an RMSE of 0.0624, MAE of 0.0360, R2 of 0.9704, and Fuzzy Jaccard Index of 0.9121. Subsequently, we introduced a multitask CNN that reconstructs images and classifies them based on depth, length, and health status, further enhancing its diagnostic capabilities. This multitasking approach leverages the robust feature extraction capabilities of CNNs to perform complex tasks simultaneously, thereby improving the model’s efficiency and accuracy. It achieved exemplary classification accuracies in depth (100%), length (92.86%), and health status, with a perfect F1 Score. These results highlight the promise of NIRscan technology, in combination with a multitask CNN model, as a supportive tool for improving real-time breast cancer screening and diagnostic workflows.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».