機械学習 (KNN) と深層学習 (CNN) を用いた乳腫瘍分類

乳がんは、世界中の女性に影響を及ぼす最も一般的ながんの一つであり、早期発見は患者の転帰改善に不可欠です。超音波画像は、非侵襲的で費用対効果が高く、特に密な乳腺組織を持つ若年患者にとってマンモグラフィーなどのモダリティに比べて安全であるため、診断ツールとして頻繁に使用されます。しかし、超音波画像の解釈は放射線科医の専門知識に大きく依存しており、これは主観的で時間がかかる可能性があります。人工知能は、自動化された信頼性の高い効率的な腫瘍分類を提供することで、これらの課題に対処する有望なソリューションを提供します。本研究は、超音波画像における乳腫瘍を良性および悪性のカテゴリに分類することに焦点を当て、K-Nearest Neighbor (KNN) と畳み込みニューラルネットワーク (CNN) の2つのアプローチを使用しています。KNNは、関心領域 (ROIs) から抽出された手作りのテクスチャ特徴に適用され、Gray-Level Co-occurrence Matrix (GLCM) を使用しています。コントラスト、相関、エネルギー、均質性などの特徴は、腫瘍領域内のテクスチャの変化を捉えます。一方、CNNは超音波画像から直接識別的な空間的および構造的パターンを学習する深層学習モデルであり、手動の特徴エンジニアリングの必要性を減少させます。両モデルは、腫瘍の境界を正確に定義する対応するマスクを持つ乳の超音波画像で評価されます。性能は、精度、感度、特異度、F1スコアなどの広く受け入れられた指標を使用して評価されます。KNNは解釈可能な結果を提供する強力なベースラインを提供し、CNNは手作りが難しい複雑な特徴を自動的に学習する能力を示します。この研究は、機械学習と深層学習アプローチを組み合わせて、超音波画像に基づく堅牢なコンピュータ支援診断システムを開発する可能性を強調しています。このようなシステムは、臨床医がより早く、一貫して、より正確な乳癌診断を達成するのを支援し、最終的に患者ケアの改善に貢献します。