퍼지 점수 기반 ResNet CNN 모델을 이용한 유방암 자동 분류

지난 10년간 의학 데이터의 확장률은 방대한 분야로 인해 급속도로 증가했습니다. 효율적으로 프로세스를 자동화하고 가속화하는 딥 러닝(DL) 알고리즘을 사용하여 자동화된 질병 진단 시스템을 제안합니다. 또한, 이 연구는 탐지 프로세스를 기반으로 계산 시간을 개선하는 데 중점을 두고 있습니다. 따라서 이 연구는 예측 성능을 향상하고 기계 학습(ML) 모델과 비교하여 시간 소모를 줄이기 위한 하이브리드 DL 모델을 소개합니다. 분류기의 정확도를 향상시키기 위해 통계적 상관 평가를 활용하는 전처리 방법을 설명합니다. 그런 다음, ROI(관심 영역) 이미지에서 래핑 기법과 빠른 이산 웨이블릿 변환(FDWT)을 사용하여 특징을 추출합니다. 추출된 커브렛 계수와 회전 시간 난이도는 분류하기에는 지나치게 과도합니다. 군집 지능을 활용하여 시간 난이도를 줄이고 주요 특성을 선택하기 위해 적응형 회색 늑대 최적화 알고리즘(AGWOA)을 제시했습니다. 여기서, 네트워크를 최적화하기 위해 퍼지 점수 Resnet-합성곱 신경망(FS-Resnet CNN)이라는 새로운 구성 요소를 소개합니다. 제안된 모델의 성능은 재현율, 정밀도, F-측정 및 정확도와 같은 메트릭을 활용하여 평가되었습니다. 더욱이, 제안된 프레임워크는 계산적으로 효율적이며, 노이즈에 민감하지 않고 메모리를 효율적으로 절약합니다. 시뮬레이션 결과는 제안된 프레임워크가 기존 예측 모델보다 높은 탐지율을 가지고 있음을 나타냅니다.