Feinabstimmung von Deep-Learning-Modellen zur Klassifizierung von Brusttumoren

Zusammenfassung Dieser Artikel schlägt einen Ansatz vor, um die Differenzierungsaufgabe zwischen benignen und malignen Brusttumoren (BT) mithilfe von Histopathologiebildern aus dem BreakHis-Datensatz zu verbessern. Die Hauptphasen umfassen die Bildvorverarbeitung, die Bildgrößenanpassung, die Datenpartitionierung (Trainings- und Testsets), gefolgt von Techniken zur Datenaugmentation. Sowohl Merkmals- als auch Klassifizierungsaufgaben werden von einem benutzerdefinierten CNN durchgeführt. Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Ansatz unter Verwendung des benutzerdefinierten CNN-Modells eine bessere Leistung mit einer Genauigkeit von 84 % aufweist als die Anwendung desselben Ansatzes unter Verwendung anderer vortrainierter Modelle, einschließlich MobileNetV3, EfficientNetB0, Vgg16 und ResNet50V2, die relativ niedrigere Genauigkeiten zwischen 74 und 82 % aufweisen; diese vier Modelle werden sowohl als Merkmals- als auch als Klassifizierer verwendet. Um die Genauigkeit und andere Leistungsmetriken zu steigern, werden Grey Wolf Optimization (GWO) und Modified Gorilla Troops Optimization (MGTO) als metaheuristische Optimierer für jedes Modell separat zur Hyperparameteroptimierung angewendet. In diesem Fall zeigen die experimentellen Ergebnisse, dass das benutzerdefinierte CNN-Modell, das mit MGTO-Optimierung verfeinert wurde, eine außergewöhnliche Genauigkeit von 93,13 % in nur 10 Iterationen erreicht und damit die anderen aktuellen Methoden sowie die vier anderen verwendeten vortrainierten Modelle basierend auf dem BreakHis-Datensatz übertrifft.