Reduzierung Von Überschneidungen In Der Mammographiedurch Deep Learning-klassifizierung

Brustkrebs ist die häufigste Krebstodesursache bei Frauen. ScreeningDie Mammographie ist die einzige derzeit verfügbare Methode zur zuverlässigen Erkennung von frühem undpotenziell heilbarem Brustkrebs. Forschungsergebnisse zeigen, dass die Sterblichkeitsrate um30 %gesenkt werden könnte, wenn sich Frauen ab 50 Jahren regelmäßig einer Mammographie unterziehen. In dieser Dissertation schlagen wir eineneue Methode zur Ganzfeld-Mammographie-Analysevor, die sich auf die Charakterisierung und Identifizierung normalerMammogramme. Ein Mammogramm wird Region für Region analysiert und als normal oderabnormalklassifiziert.In dieser Arbeit werden Methoden zur Extraktion von Merkmalen vorgestellt, die zurUnterscheidung von normalen und abnormalen Regionen eines Mammogrammsverwendetwerden.In diesem Buch wird ein neuronales Faltungsnetzwerk verwendet, um die Klassifizierung zu verbessern. Leistung zu steigern. Dieser Klassifikator schneidet besser ab als frühere Klassifikatoren. Indem er eine höhere Genauigkeit als die anderen Klassifikatoren, die Fehlklassifizierungsrate von normalen Mammogrammen als abnormal.Dieser Ansatz eignet sich gut für das Überschneidungsproblem.

Autorentext

Ich arbeite auf dem Gebiet der Bildverarbeitung und forsche hauptsächlich auf dem Gebiet der Krankheitserkennung mit Hilfe verschiedener maschineller Lernmodelle.