Core Concepts
Hochmoderne modifizierte EfficientNet-Architekturen (V1-V2) erreichen sehr hohe Genauigkeiten bei der Erkennung und Klassifizierung von Brustkrebs aus Ultraschallbildern.
Abstract
In dieser Forschungsarbeit konzentrierten sich die Autoren auf die Implementierung und iterative Analyse verschiedener hochmoderner, modifizierter Versionen der EfficientNet-Architekturen (V1-V2) für die Erkennung und Klassifizierung von Brustkrebs aus Ultraschallbildern. Sie verwendeten einen Transfer-Learning-Ansatz, um die vortrainierten EfficientNet-Modelle zu nutzen, und optimierten die Hyperparameter, fügten vollständig verbundene Schichten hinzu, entfernten Ausreißer und zeichneten die Genauigkeitsergebnisse auf. Ihr Deep-Learning-Modelltraining umfasste sowohl die Identifizierung der krebsbetroffenen Bereiche mit Techniken zur Regions-of-Interest-Erkennung als auch die Mehrklassifizierung (gutartig, bösartig und normal). Die erzielten Testgenauigkeiten für die modifizierten Versionen von EfficientNet-V1 (b0-99,15%, b1-98,58%, b2-98,43%, b3-98,01%, b4-98,86%, b5-97,72%, b6-97,72%, b7-98,72%) und EfficientNet-V2 (b0-99,29%, b1-99,01%, b2-98,72%, b3-99,43%) zeigen ein sehr vielversprechendes Potenzial des Deep-Learning-Ansatzes für die erfolgreiche Erkennung und Klassifizierung von Brustkrebs aus Ultraschallbildern in einem sehr frühen Stadium.
Stats
Ultraschallbilder von 600 weiblichen Patienten im Alter zwischen 25 und 75 Jahren wurden verwendet.
Das Bildmaterial umfasste 780 Bilder mit einer durchschnittlichen Größe von 500 x 500 Pixeln.
Durch Datenerweiterung wurden insgesamt 4.500 Bilder für das Training verwendet.
Quotes
"Unquestionably, we completed a really difficult and brave study project, and the outcomes were incredibly rich."
"The modification of EfficientNet-V1 (b0-b7) and EfficientNet-V2 (b0-b3) using a unique DL model and ultrasound images has never been attempted in prior studies."