MammoSegNet: a convolutional network analysis for segmenting tumor tissue masses in digital mammograms of breast cancer patients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Breast cancer is one of the leading causes of cancer-related morbidity worldwide, underscoring the need for advanced diagnostic tools to improve early detection and treatment outcomes. This study introduces MammoSegNet, a novel convolutional neural network architecture optimized for precisely segmenting mammographic images. The proposed MammoSegNet incorporates Inception-ResNet blocks, Squeeze-and-Excitation (SE) modules, and dilated convolutions to enable multi-scale feature extraction and efficient attention refinement while maintaining low computational complexity. MammoSegNet performance was rigorously evaluated on BCDR-D01 and INbreast datasets to examine its robustness and generalization. Using stratified fivefold cross-validation, the model was trained on BCDR-D01 and tested on the unseen INbreast dataset through Monte Carlo cross-validation. Preprocessing techniques, including Region of Interest (ROI) Isolation to concentrate on relevant areas, Normalization to standardized pixel intensities, and Data Augmentation to expand the dataset and enhance the model’s robustness, were employed. Additionally, a specialized image enhancement method called peak feature intensity transformation (PFIT) was designed to amplify diagnostic features while preserving structural integrity. Comparative evaluations confirmed MammoSegNet’s superior performance across metrics, achieving 97% accuracy on BCDR-D01 and 95% on INbreast. Statistical t-tests validated these improvements, and visual heatmaps demonstrated the model’s effectiveness in isolating tumor regions. These findings establish MammoSegNet as a promising tool for enhancing breast cancer diagnostic accuracy and reliability in medical applications.
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.
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 découle