17、乳腺X光图像分类与异常衰减梯度提升回归算法研究

乳腺X光图像分类与异常衰减梯度提升回归算法研究

一、乳腺X光图像分类系统

1.1 模型对比

在乳腺X光图像分类中，有两种模型被用于恶性/非恶性和良性/非良性的分类，具体对比如下：
| 对比项 | 提出的方法 | 相关研究方法 |
| — | — | — |
| 模型 | Resnet 34 | ‘view - wise’ 图像与热图集成模型 |
| 训练数据集 | 越南国家癌症医院的15,040张乳腺癌X光图像 | 超过1,000,000张高分辨率乳腺X光图像 |
| 预测假设 - 恶性/非恶性分类AUC | 0.89758 | 0.895 |
| 预测假设 - 良性/非良性分类AUC | 0.78608 | 0.756 |

从表格数据可以看出，提出的Resnet 34模型在恶性和良性分类的AUC指标上都略高于相关研究方法。

1.2 分类系统架构与效果

构建了一个将乳腺癌X光图像分为正常、良性和恶性三类的卷积神经网络（CNN）分类系统。使用由15,040张正常、良性和恶性类别的乳腺X光图像组成的数据库来训练模型。
- 使用15,040张乳腺癌图像训练Resnet 18模型进行分类，系统达到了macAUC为0.84807，平均灵敏度为0.69058，平均特异性为0.84336的效果。
- 将研究结果与其他相关研究对比，发现提出的方法比部分研究结果更准确。例如，与由四名经验丰富的放射科医生组成的委员会相比，该模型在三类分类中的macAUC（0.84807）高于委员会的0.704。

1.3 流程总结

以下是该乳腺X光