Enhancing Breast Cancer Diagnosis: A Semi-Supervised Deep Learning Model for Automated MRI Tumor Segmentation
Notice bibliographique
Résumé
The upsurge in the number of breast cancer patients makes it important to diagnose the disease early so that effective treatment can save the patient's life.Breast cancer diagnosis is challenging; however, the adoption of various deep-learning techniques has made this hard work much more accessible for radiologists to diagnose breast cancer at an early stage.Numerous applications have been developed to provide practical solutions to aid the radiologist in medical image analysis.Magnetic Resonance Imaging (MRI) is considered the most accurate screening technique for breast cancer identification, and it has substantially contributed to decreasing the mortality rate by early breast cancer detection.In MRI imaging, breast tumor detection and segmentation are still regarded as a critical task due to the limited availability of annotated MRI scans that require more laborious to annotate data with accurate ground truth which is a time-consuming process and less feasible in medical imaging.This research presents a Semi-Supervised Deep Learning for Automated Tumor Segmentation (SDATS).A semi-supervised learning model is employed, utilizing labeled and unlabeled data for segmentation.Segment Anything Model (SAM) is used for tumors, using bounding boxes to isolate regions of interest and generating precise segmentation masks.The YOLOv8 model is utilized for breast tumor detection, identifying bounding boxes for regions of interest.Integrating YOLOv8 and SAM makes the proposed model more rigorous and aims to enhance efficiency without using pixel-level annotation for segmentation.This allows for more efficient processing of large datasets and accelerates the diagnostic process.Furthermore, the SDATS diagnoses breast cancer with quicker and more precise automatic segmentation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».