早期乳腺癌预测：基于热像和混合特征提取系统

乳腺癌的侵袭性特征使其成为女性癌症相关死亡的主要原因。红外热成像在早期预测乳腺癌方面具有巨大潜力，提供非侵入性、经济高效、无辐射暴露，并适用于年轻和年老女性的定期使用。乳腺表面发出的红外能量与其生理特征高度相关。这一有价值的信息在获得的乳腺图像的空间和局部强度变化中被编码，揭示了隐藏的模式。本文介绍了一种新颖的混合特征提取方法，结合传统和深度学习技术以提高乳腺癌的预测。所提出的方法利用两种主要的特征提取方法。第一种方法基于Gabor滤波器组、Canny边缘检测器和整体嵌套边缘检测器生成纹理和边缘图，以继承与乳腺功能相关的独特信息和模式。然后，提供图像融合过程以构造一个复合图像，保留地图中的所有信息，从中提取使用方向梯度直方图（HOG）的高价值特征向量。第二种方法从乳腺图像中提取深度特征，利用ResNet-50和MobileNet预训练的卷积神经网络（CNNs）捕捉高级预测信息。主成分分析（PCA）用于降维。该方法的后端使用支持向量机（SVM）和极端梯度提升（XGB）分类算法来建立检索到的特征向量与乳腺功能之间的关系。结果令人印象深刻，在测试集上使用SVM和XGB分别达到了95.51%和96.22%的准确率，96.62%和97.19%的敏感性，以及94.76%和95.23%的特异性。这些发现显示了所提出的框架在使用热像早期预测乳腺癌方面的显著优势。