유방암 분류를 위한 심층 병목 잔여 합성곱 신경망의 새로운 융합 프레임워크

매년 210만 건 이상의 새로운 유방암 진단 사례가 발생하고 있으며, 이 질환의 발생률과 사망률은 여성들에게 심각한 글로벌 건강 문제를 초래합니다. 질병의 영향을 파악하는 것이 이를 즉각적으로 줄이는 유일한 실질적인 방법입니다. 여러 연구는 유방암을 식별하기 위해 다양한 의료 이미징을 이용한 자동화된 방법을 개발해왔습니다. 그러나 각 전략의 정확도는 이용 가능한 자원, 문제의 본질, 그리고 사용되는 데이터셋에 따라 다릅니다. 우리는 유방 XRAY 이미지를 통한 유방암 분류 및 진단을 위한 양자 최적화 알고리즘을 갖춘 새로운 심층 병목 합성곱 신경망을 제안했습니다. 병렬 및 단일 경로를 갖춘 세 가지 잔여 블록 병목 및 네 가지 잔여 블록 병목이라는 두 개의 새로운 심층 구조를 제안했습니다. 베이지안 최적화(Bayesian Optimization, BO)는 하이퍼파라미터 값을 초기화하고 선택된 데이터셋에서 아키텍처를 훈련하는 데 사용되었습니다. 두 모델의 글로벌 평균 풀 레이어에서 깊은 특징을 추출합니다. 그 후 추출된 깊은 특징 융합을 위해 커널 기반의 정준 상관 분석 및 엔트로피 기법이 제안됩니다. 융합된 특징 집합은 양자 일반화된 정규 분포 최적화라는 최적화 기법을 사용하여 추가적으로 정제됩니다. 선택된 특징은 이층 및 광범위 신경망과 같은 여러 신경망 분류기를 사용하여 최종적으로 분류됩니다. 실험 과정은 INbreast라는 공개된 유방 XRAY 이미지 데이터셋에서 수행되었으며, 최대 정확도는 96.5%에 도달했습니다. 게다가 제안한 방법에 대해 민감도는 96.45, 정밀도는 96.5, F1 점수는 96.64, MCC 값은 92.97%, 카파 값은 92.97%입니다. 제안된 아키텍처는 감염된 지역의 진단 과정에도 추가로 활용됩니다. 또한 제안된 프레임워크의 높은 정확도와 정밀도를 보여주는 몇 가지 최근의 기법과 상세한 비교가 수행되었습니다.