机构名称：
¥ 1.0
摘要：乳腺癌是乳腺组织中发生的一种肿瘤。它仍然是全球最普遍，最威胁生命的疾病之一，成为女性与癌症相关死亡的第二大主要原因。乳腺癌开始于恶性细胞和癌细胞开始从乳腺细胞生长。自我测试和定期临床检查有助于早期诊断，并显着提高生存机会。早期诊断乳腺癌很小而没有扩散，可以使疾病更容易治疗，从而增加了患者的生存机会。由于乳腺癌检查的医学重要性，已经开发出计算机辅助检测方法来检测异常情况，例如钙化，质量，建筑扭曲和双侧不对称。微钙化不过是乳房组织中的微小矿物沉积物。它们看起来像小白色斑点。它们可能是癌症引起的，也可能不会引起的。这是乳腺X线照片难以进行乳腺癌检测的原因之一，因为乳房X线照片的结果差异很大，具体取决于患者的年龄，乳房密度和存在的病变类型。乳房密度可能导致恶性区域的对比度差异，并可能导致不正确的结论。我们的研究描述了一种自适应中值滤波器的AI方法，该方法执行空间处理以确定图像中的哪些像素受噪声影响。要在不同阶段检测肿瘤，我们使用具有不同学习技术的神经网络来获取高斯混合模型（GMM）分割。人工神经网络（ANN）模型基于卷积神经网络（CNN），作为输入数据，我们选择了260张乳房X线照片图像，将它们分为三类：正常乳房X线照片，乳房X线图和乳腺X光检查和癌症。在训练过程之后，我们使用了名为RESNET50的CNN模型来比较结果。由于处理能力较低，我们选择了一个小数据集。我们的结果表明，与高斯混合模型分割相比，具有3*3卷积层的CNN模型的性能更好。
用于...
主要关键词
相关文件推荐
