Hintergrund: Brustkrebs gehört zu den häufigsten Krebsarten bei Frauen, und eine frühzeitige Diagnose ist entscheidend für bessere Behandlungsergebnisse und reduzierte Sterblichkeit. Effiziente computerunterstützte Diagnosesysteme (CAD) spielen eine entscheidende Rolle bei der Verbesserung der diagnostischen Genauigkeit und der Unterstützung zeitnaher klinischer Entscheidungen. Methoden: Diese Studie schlägt ein automatisiertes CAD-System zum Nachweis von bösartigen Tumoren in Mammographien vor, das aus vier Phasen besteht: Vorverarbeitung, Merkmalsextraktion, Merkmalsauswahl und Klassifizierung. In der Vorverarbeitung wird der Interessengebiet (ROI) extrahiert, gefolgt von Rauschunterdrückung und Kontrastverbesserung zur Verbesserung der Bildqualität. Form-, Histogramm- und gewebsbezogene Merkmale werden dann aus jedem ROI berechnet. Ein verbesserter Simulated Annealing (ISA) Algorithmus wird verwendet, um adaptiv die informativsten Merkmale durch einen flexiblen Prozess und eine zusammengesetzte Fitnessfunktion auszuwählen, wodurch die Dimension reduziert und gleichzeitig eine hohe Klassifizierungsgenauigkeit erhalten bleibt. Schließlich erfolgt die Klassifizierung mittels einer Support Vector Machine (SVM), um zwischen malignen und benignen Massen zu unterscheiden. Ergebnisse: Die Bewertung an den CBIS-DDSM- und MIAS-Datensätzen zeigte, dass das System Genauigkeiten von 99,67 % und 98 %, Empfindlichkeiten von 99,33 % und 98 % sowie F1-Scores von 99,66 % und 97,9 % erreichte. Diese Ergebnisse zeigen bemerkenswerte Verbesserungen gegenüber traditionellen SA- und Vollmerkmalsansätzen. Schlussfolgerungen: Die Ergebnisse bestätigen die Effektivität des ISA-Algorithmus bei der Auswahl relevanter Merkmale, wodurch die Leistung der Brustkrebsdiagnose verbessert wird.
Sarkaleh et al. (Mon,) untersuchten diese Frage.