乳腺癌是全球日益关注的问题，已成为继心血管疾病之后的第二大死因。研究人员一直致力于开发早期疾病检测的方法，深度学习技术表现出了令人期待的结果。然而，这些方法大部分主要集中在使用乳腺癌影像，限制了诊断过程。
最近，来自贝尔法斯特女王大学和尼日利亚野生动物联邦学院的研究人员进行了一项研究，旨在提出一种新的深度学习方法，将双卷积神经网络（TwinCNN）框架与二进制优化方法相结合。该方法旨在通过利用数字乳腺摄影图像和数字组织病理学乳腺活检样本来改进乳腺癌图像分类。
该研究强调了在医学图像分析中多模态方法的重要性，并强调了先前关于多模态医学图像分类的研究中对连体神经网络技术的过度利用。所提出的TwinCNN框架将双卷积神经网络与混合二进制优化器结合，用于特征选择和降维。
TwinCNN架构旨在从多模态输入中提取特征，而二进制优化方法则优化这些特征。此外，引入了概率图融合层，基于特征和预测标签融合多模态图像。
该研究使用基准数据集（MIAS和BreakHis）评估所提出的TwinCNN框架的性能。结果显示，与传统的深度学习方法相比，单模态和多模态分类的分类准确性有所提高。所提出的二进制优化器也有助于降低特征的维度，并改善分类器的性能。
总而言之，该研究通过采用多模态方法有效地解决了乳腺癌图像分类的挑战。通过结合图像特征和预测标签，该方法提高了分类的准确性，支持医学图像分析中更好的诊断和决策。特别是那些考虑多模态数据的深度学习方法，有潜力革新早期癌症检测，并改善患者的预后。
The source of the article is from the blog lokale-komercyjne.pl