抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
乳癌は,世界的に女性に影響する癌の最も侵入型である。肺癌の次に,乳癌は女性の間でより多くの癌死亡を提供する1つである。近年,いくつかの知的方法論が,そのような有害タイプの癌の効果的検出と分類を構築するための存在に来ている。早期診断の率をさらに改善し,犠牲者の寿命を増加させるため,研究の楽観的な光は乳癌分類に不可欠である。従って,簡単なクローサーチアルゴリズム(ICS-ELM)を用いて最適化される極端学習機械(ELM)と深層学習の概念を統合する新しいカスタマイズ法を示した。したがって,最先端の作業を強化するために,改良深い特徴ベースのクローサーチ最適化極端学習機械を,健康管理問題に取り組むために提案する。本論文では,正常または異常のいずれかとして入力マンモグラムの検出に関する光検索を注いだ。その後,それは異常重症度のタイプ,すなわち良性型または悪性型をさらに分類することに焦点を合わせる。本研究のディジタルマンモグラムは,DDSM(CBIS-DDSM),Mammograph Image Analysis Society(MIAS),およびINbreastデータセットのCurated Matribed Imaging Subsetから取られる。ここでは,CBIS-DDSMデータセットからの570のデジタルマンモグラム(250の正常,200の良性および120の悪性症例),およびMIASデータベースからの322のデジタルマンモグラム(207の正常,64の良性および51の悪性症例)と,その評価のためのINbreastデータセットからの179のフルフィールドデジタルマンモグラム(66の正常,56の良性および57の悪性症例)を採用した。本研究は,提案した改良Crow-Search最適化極端学習機械(ICS-ELM)アルゴリズムによるResNet-18ベース深層抽出特徴を利用した。最後に,既存のサポートベクトルマシン(RBFカーネル),ELM,パーティクルスウォーム最適化(PSO)最適化ELM,およびクローサーチ最適化ELMと比較し,最大総合分類精度を,それぞれ,DDSMに対して97.193%,MIASに対して98.137%およびINbreastデータセットに対して98.266%の提案方法に対して得た。得られた結果は,提案した計算機支援診断(CAD)ツールが乳癌の自動検出と分類に対してロバストであることを明らかにした。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】