Zeitschrift für Stammzellforschung und -therapie

Abstrakt

Klassifizierung gutartiger und bösartiger Tumoren anhand von Brust-Ultraschallbildern auf Basis eines Faltungs-Neuralnetzes

Telagarapu Prabhakar

Die häufig verwendete Methode zur Diagnose von Brustkrebs ist die Brustultraschalluntersuchung (BUS), die Interpretation
kann jedoch je nach Erfahrung des Radiologen variieren. Heutzutage sind CAD-Systeme verfügbar, die Informationen
zur Klassifizierung von BUS-Bildern liefern. Die meisten CAD-Systeme basieren jedoch auf handgefertigten Funktionen, die
zur Klassifizierung von Tumoren entwickelt wurden. Daher entscheidet die Leistungsfähigkeit dieser Funktionen über die Genauigkeit des CAD-Systems,
das zur Klassifizierung von Tumoren als gutartig und bösartig verwendet wird. Mithilfe der Convolutional Neural Network
(CNN)-Technologie können wir die Klassifizierung von BUS-Bildern verbessern. Da sie einen neuen Ansatz für die Klassifizierung
und verallgemeinerbare Bilddarstellungen bietet, können wir als Ergebnis die beste Genauigkeit erzielen. Die Datenbank mit BUS-
Bildern ist jedoch klein und daher möglicherweise eingeschränkt, da CNNs nicht von Grund auf trainiert werden können. Um diesen
Nachteil zu überwinden, untersuchen wir den Transferlernansatz, um mit dem CNN-Ansatz die beste Genauigkeit
bei der Klassifizierung von BUS-Bildern zu erreichen. Die endgültigen Ergebnisse der VGG16_TL-Methodik übertreffen die von AlexNet_TL. Und die Endergebnisse
zeigen VGG16_TL mit Genauigkeit, Sensitivität, Spezifität, Präzision und F1-Werten von 88,23 %, 88,89 %, 88,89, 90 % bzw. 88,2 %. Daher können wir sagen, dass die Möglichkeit vorab trainierter CNN-Modelle eine gute Genauigkeit bei der BUS-Bildklassifizierung
erreicht .