Zusammenfassung Brustkrebs ist eine der häufigsten und tödlichsten Krebsarten und betrifft weltweit Millionen Menschen. Eine frühe und genaue Erkennung ist entscheidend für eine effektive Behandlung und bessere Patientenergebnisse. Fortschritte in der medizinischen Bildgebung, wie Digitale Mammographie (DM), Ultraschall (US) und Magnetresonanztomographie (MRT), liefern Ärzten detaillierte Informationen über Brusttumore und das umliegende Gewebe. Die Zusammenführung und Analyse dieser multimodalen Bilder stellen jedoch Herausforderungen dar. Die medizinische Bildfusion kombiniert Bilder verschiedener Modalitäten, um die Qualität zu verbessern, Rauschen und Redundanz zu reduzieren und präzisere klinische Entscheidungen zu unterstützen. In dieser Studie wurden drei Modelle entwickelt, um Merkmalsextraktionsstrategien zu bewerten: Modell A verwendet eine AlexNet-Architektur, Modell B eine LeNet-5-Architektur und Modell C eine DenseNet-121-Architektur. Alle Modelle sind mit einer Zerlegungsmethode, wie PCA oder DWT, zur Bildfusion in drei Hauptkategorien integriert: normal, gutartig oder bösartig. Der Modified Central Forced Optimization (MCFO) Filter wird eingesetzt, um die diagnostische Genauigkeit zu verbessern. Unser Rahmenwerk wurde an einem neuen Datensatz des Baheya Krankenhauses in Ägypten getestet, der hochwertige, annotierte Bilder enthält. Die Ergebnisse zeigen, dass die Kombination von DWT-basierten Methoden mit AlexNet und dem MCFO-Filter die beste Leistung erzielt, mit einer Genauigkeit von 97,4 %, einer Präzision von 95 %, einem Recall von 96 %, einem F1-Score von 93 % und einem ROC-Wert von 96,95 %, bei minimalem Verlust, was eine starke Generalisierung und Stabilität über die Epochen hinweg demonstriert. Diese Ergebnisse heben die überlegene Leistung des DWT-basierten Ansatzes mit AlexNet und MCFO im Vergleich zu anderen Methoden hervor.
Ashraf et al. (Tue,) untersuchten diese Fragestellung.