Una clasificación automática del cáncer de mama utilizando un modelo CNN basado en ResNet con puntuación difusa

La tasa de expansión de los datos médicos durante los últimos diez años ha crecido rápidamente debido a los vastos campos. Se propone un sistema automatizado de diagnóstico de enfermedades utilizando un algoritmo de aprendizaje profundo (DL), que automatiza y ayuda a acelerar el proceso de manera eficiente. Además, esta investigación se centra en mejorar el tiempo de cálculo basado en el proceso de detección. Por lo tanto, esta investigación introduce un modelo híbrido de DL para mejorar el rendimiento de predicción y reducir el consumo de tiempo en comparación con el modelo de aprendizaje automático (ML). Describiendo un método de preprocesamiento que utiliza una evaluación estadística correlacional para mejorar la precisión del clasificador. Las características se extraen de las imágenes de la Región de Interés (ROI) utilizando la técnica de envoltura y una transformada rápida de wavelet discreta (FDWT). Los coeficientes de curva extraídos y la dificultad del tiempo de giro son demasiado excesivos para ser categorizados. Utilizando inteligencia de enjambre, se presentó el Algoritmo de Optimización Adaptativa del Lobo Gris (AGWOA) para reducir la dificultad de tiempo y elegir las características clave. Aquí, se introduce un nuevo bloque de construcción identificado como el marco de Red Neuronal Convolucional Resnet con Puntuación Difusa (FS-Resnet CNN) para optimizar la red. El rendimiento del modelo propuesto se evaluó utilizando métricas como recuperación, precisión, medida F y exactitud. Además, el marco sugerido es computacionalmente efectivo, menos sensible al ruido y ahorra memoria de manera eficiente. Los resultados de la simulación indican que el marco sugerido tiene una tasa de detección más alta que el modelo de predicción existente.