Hybrid Ensemble DL Model for Breast Cancer Detection and Classification with Enhanced Breast Lesion Segmentation using U-Net Model
Notice bibliographique
Résumé
Early and accurate detection of breast cancer is a major challenge in medical diagnostics. Mammograms and ultrasound images often face issues such as poor contrast and unclear lesion boundaries, which can hinder the performance of deep learning diagnostic models. To tackle these problems, a new model called the Hybrid Ensemble DL Model for Breast Cancer Detection and Classification with Enhanced Breast Lesion Segmentation using U-Net Model (HEBEBU) is introduced. This HEBEBU model enhances image quality and diagnostic accuracy through advanced preprocessing, segmentation, and classification techniques. Initially, the model uses morphological erosion to reduce structural noise, making complex breast tissue patterns more understandable. It then applies CLAHE to improve local contrast and highlight micro-calcifications. A Laplacian of Gaussian (LoG) edge detection and Unsharp Masking sharpen the lesion borders and enhance structural visibility. For image segmentation, a unique U-Net design is employed, which maintains spatial resolution through skip connections and utilizes binary cross-entropy for training. An Active Contour Model (ACM) further refines segmentation results by accurately defining irregular lesion borders. An RVFL neural network ensures fast, non-iterative training while achieving high accuracy. The HEBEBU model was tested and showed impressive results, with training accuracy of 99.2% and testing accuracy of 99.0%. Other metrics fell consistently above 99%.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».