Artykuł metodologiczny

Metoda uczenia się przenoszonego oparta na wyjaśnialnej sztucznej inteligencji do przewidywania raka piersi

DOI:

10.3791/70011

⸱

22 czerwca 2026

 ,  ,  ,  ,  , 
1Department of Computer Science and Engineering, SRM Institute of Science and Technology, Ramapuram campus, 2School of Science, Engineering and Environment, University of Salford, 3Division of Research and Development, Lovely Professional University, 4Department of Computer Science & Engineering, Faculty of Engineering and Technology, JAIN (Deemed-to-be University), 5Department of Informatics and Computer Systems, College of Computer Science, King Khalid University, 6Center for Artificial Intelligence, King Khalid University, 7Department of Management, College of Business Administration, Princess Nourah bint Abdulrahman University

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Opracowano wyjaśnialny protokół uczenia transferowego z wykorzystaniem EfficientNet-B0 i Grad-CAM do klasyfikacji obrazów ultrasonograficznych piersi w kategorie łagodne, złośliwe i normalne, zapewniając interpretowalne mapy cieplne diagnostyczne nadające się do zastosowań wspomagających decyzje kliniczne.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Identyfikacja raka piersi za pomocą obrazów ultrasonograficznych wymaga wysokiej dokładności i przejrzystości, aby pomóc klinikom w podejmowaniu właściwych decyzji. Praca ta przedstawia system uczenia głębokiego do klasyfikacji obrazów ultrasonograficznych piersi na złośliwe, łagodne i normalne, wykorzystując architekturę EfficientNet-B0 dostosowaną do zbioru danych Breast Ultrasound Identification (BUSI). Aby zmniejszyć brak równowagi klas i ustabilizować sieć, zastosowano zwiększenie danych, w tym losowe przewracanie poziome, rotację i zmianę kolorów. Gradient-weighted Class Activation Mapping (Grad-CAM) jest wykorzystywany do generowania wizualnych wyjaśnień poprzez identyfikację obszarów zainteresowania, takich jak marginesy guza i wzorce tekstury. Model osiągnął średnią dokładność 99%, wykazując wysoką skuteczność w wykrywaniu zmian. Integracja Interpretowalnej Sztucznej Inteligencji (XAI) nie tylko poprawia pewność diagnozy, ale również zmniejsza przepaść między praktyką kliniczną a AI. Wyniki udowadniają potencjał łączenia wysoko wydajnych modeli uczenia głębokiego z metodami interpretacji w rozwijaniu niezawodnych narzędzi diagnostycznych raka piersi, nadających się do rzeczywistej praktyki klinicznej.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Rak piersi jest jedną z najważniejszych chorób zagrażających życiu kobiet na całym świecie. Według Światowej Organizacji Zdrowia (WHO) rak piersi przyczynia się do większości zgonów związanych z rakiem, a wczesna diagnoza jest kluczowa dla poprawy wskaźnika przeżywalności1. Obrazowanie ultrasonograficzne stało się rutynową procedurą diagnostyczną w przypadku raka piersi, ponieważ jest bezpieczne, niedrogie i może produkować obrazy w czasie rzeczywistym. W przeciwieństwie do mammografii, ultradźwięki są niezwykle skuteczne w rozróżnianiu mas stałych i wzrostów zawierających płyn, a zatem służą jako doskonała pomoc diagnostyczna w przypadku patologii piersi. Interpretacja obrazu ultrasonograficznego jest wysoce subiektywna i zależy od wysokiego poziomu ekspertyzy, co powoduje zmienność diagnozy i możliwe błędy ludzkie.

W ciągu ostatnich kilku lat, AI i uczenie głębokie pokazało ogromne możliwości w automatyzacji analizy obrazów medycznych. Modele oparte na uczeniu głębokim, szczególnie CNN, wyróżniają się w segmentacji obiektów, wykrywaniu i klasyfikacji2. Jednak przyjmowanie AI w opiece zdrowotnej jest hamowanie przez "czarną skrzynkę" natury tych modeli. Termin "czarną skrzynkę" odnosi się do braku przejrzystości w sposobie, w jaki model osiąga określony wniosek; podczas gdy wejścia i wyjścia są znane, wewnętrzna logika i konkretne cechy użyte do wykonania kliniczna prognoza pozostają ukryte przed użytkownikiem.

Motywacja do tej pracy wynika z pilnej potrzeby niezawodnych instrumentów do wspierania wczesnej diagnozy raka piersi, który nadal jest główną przyczyną zgonów kobiet na całym świecie. Chociaż modele uczenia głębokiego są bardzo skuteczne, ich brak interpretowalności ogranicza integrację do ustawień klinicznych3. Obecna praca zajmuje się tymi luki, stosując EfficientNet-B0 do klasyfikacji o wysokiej wydajności i integrując techniki Explainable AI (XAI), takie jak Grad-CAM, aby zapewnić wizualne wgląd w proces decyzyjny modelu. Równoważąc przezroczystość i dokładność, niniejsze badanie ma na celu opracowanie godnego zaufania systemu AI, który zapewnia solidne wsparcie diagnostyczne dla lekarzy. Metody XAI ujawniają podstawowe rozumowanie przewidywań modelu, pozwalając lekarzom zweryfikować wyniki i przenieść lukę między praktyką kliniczną a zautomatyzowanymi systemami4. W klasyfikacji ultrasonografii piersi, ta interpretowalność zapewnia, że diagnostyka oparta na AI jest zarówno dokładna, jak i klinicznie uzasadniona.

Mimo postępów w uczeniu głębokim, klasyfikacja obrazów ultrasonograficznych piersi nie jest bez wyzwań, w tym braku równowagi klas, gdzie mniejszościowe klasy, takie jak guzy złośliwe, są niedoreprezentowane, co prowadzi do stronniczego modelu5. Brak interpretowalności w modelach uczenia głębokiego sprawia, że są one trudne do zastosowania w praktyce klinicznej, ponieważ lekarze wymagają przejrzystego podejmowania decyzji. Ograniczenia dotyczące zbioru danych, takie jak ograniczona wielkość i różnorodność, ograniczają ogólność modeli, podczas gdy złożone cechy obrazów w ultrasonografii, takie jak granice guzów i tekstura, są trudne do nauczenia6. Rozwiązania wyżej wymienionych problemów wymagają solidnej i interpretowalnej ramy, zapewniającej wysoką dokładność z jasnym wglądem w przewidywania modelu7.

Celem badania jest opracowanie ram uczenia głębokiego, które są w stanie klasyfikować obrazy ultrasonograficzne piersi na kategorie łagodne, złośliwe i normalne, poprawiając generalizację poprzez ukierunkowane powiększenie dla mniejszościowych klas. Ramy integrują Gradient-weighted Class Activation Mapping, aby zapewnić wizualne wyjaśnienia przewidywań i oceniają wydajność za pomocą dokładności, precyzji, odzysku i wskaźnika F1, demonstrując jego przydatność jako interpretowalny system wsparcia decyzji klinicznych. W przeciwieństwie do wyjaśnialnych badań opartych na ultrasonografii raka piersi przeprowadzonych wcześniej, gdzie Grad-CAM jest głównie wykorzystywany jako wizualizacja post-hoc8, proponowany rama łączy przetwarzanie wstępne świadome zmian oraz uczenie świadome klasy w fazie treningu. Maski rzeczywiste obrazy ultrasonograficzne piersi (BUSI) są nakładane na obrazy ultrasonograficzne, aby podkreślić granice zmian i wewnętrzne wzorce echo w momencie ekstrakcji cech, a selektywne powiększenie jest stosowane w mniejszych grupach diagnostycznych, aby zmniejszyć nierównowagę klas bez zmiany klinicznie istotnych cech wyglądu9. Ta połączona, świadoma zmian, poprawa widzenia zmian, EfficientNet-B0 transfer learning i interpretowalność Grad-CAM to kombinacja, która poprawia robustność diagnostyczną i daje interpretacje, które są zgodne z morfologią zmian, co uzasadnia hipotezę, że anatomicznie sterowane ulepszenie zmian i interpretowalność mogą sprawić, że diagnostyczne wspomaganie AI w diagnostyce raka piersi będzie niezawodne i godne zaufania10.

Tradicyjne obrazy medyczne opierały się na konwencjonalnych metodach przetwarzania obrazów, zawierających filtrowanie, segmentację i operacje morfologiczne, aby zidentyfikować widoczne struktury w cel

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Charakterystyka zbioru danych

W badaniu wykorzystano publicznie dostępny zbiór Breast Ultrasound Images (BUSI), który zapewnił dobrze udokumentowany repozytorium do analizy i klasyfikacji raka piersi29. Ten zbiór okazał się szczególnie odpowiedni, ponieważ zawierał ogromną kolekcję obrazów ultrasonograficznych potrzebnych do ustanowienia i walidacji modeli uczenia głębokiego dla obrazowania medycznego. Zbiór składał się z 780 obrazów ultrasonograficznych zebranych od 600 kobiet w wieku od 25 do 75 lat, reprezentujących zróżnicowaną populację w diagnostyce raka piersi. Wszystkie obrazy miały średnią rozdzielczość 500 x 500 pikseli i wykorzystywały format PNG w celu zachowania wysokiej jakości danych wizualnych do analizy. Rycina 1 przedstawia ogólny przepływ proponowanego frameworku, w tym przetwarzanie wstępne, zwiększanie, ekstrakcja cech EfficientNet-B0, klasyfikację i interpretowalność Grad-CAM.

figure-protocol-1
Rycina 1: Reprezentatywne próbki z zestawu danych BUSI. (A) Łagodne, (B) Złośliwe i (C) Normalne obrazy. Panele ilustrują różnorodność morfologiczną wykorzystaną do treningu. Kliknij tutaj, aby zobaczyć większą wersję tej figury.

2. Przepływ eksperymentalny

Aby zapewnić możliwość powtórzenia, badanie przeprowadzono przetwarzanie pipeline w sekwencyjnych etapach. Po pierwsze, system załadował obrazy ultrasonograficzne BUSI i odpowiadające im maski referencyjne oraz zmienił ich rozmiar na 224 x 224 pikseli, po czym zastosował normalizację ImageNet. Po drugie, framework nałożył każdy obraz na jego maskę, aby podkreślić obszary zmian, przed podzieleniem zbioru na podzbiory treningowe (70%), walidacyjne (15%) i testowe (15%) przy użyciu próbkowania warstwowego. Po trzecie, badanie zastosowało ukierunkowane zwiększanie danych składające się z odbicia poziomego, obrotu (±15°) i zmiany kolorów głównie dla klas mniejszościowych. Po czwarte, naukowcy dostosowywali model EfficientNet-B0, który był wstępnie uczony na ImageNet, zastępując warstwę klasyfikacji końcowej warstwą wyjściową z trzema neuronami. Proces treningu korzystał z optymalizatora Adam (współczynnik uczenia się 0,00005), malejącej szybkośc uczenia się (γ = 0,1 co 7 epok), funkcji straty krzyżowej entropii, wielkości partii 8 i wcześniejszego zatrzymania z cierpliwością 2. W końcu, Grad-CAM generował mapy uwagi z ostatniej warstwy splotu konwolucyjnego, aby wizualizować diagnostycznie istotne regiony i wspierać interpretację kliniczną. Tabela materiałów przedstawia istotne zbiory danych, biblioteki oprogramowania i konfiguracje sprzętowe wymagane do odtworzenia frameworku klasyfikacji i interpretowalności ultrasonografii piersi.

Zestaw danych BUSI wykazywał naturalną nierównowagę klas, co jest często obserwowane w zbiorach danych medycznych. Dystrybucja sprzyjała klasie łagodnej, za nią następowały przypadki złośliwe i normalne. Konkretnie, zestaw zawierał 487 łagodnych, 210 złośliwych i 133 normalnych obrazów. Chociaż zwiększanie danych poprawiało zmienność treningową, nie zmieniało podstawowej liczby próbek w każdej klasie. Ta dystrybucja odzwierciedlała rzeczywiste scenariusze kliniczne, gdzie stany łagodne występują częściej niż guzy złośliwe. Chociaż taka nierównowagę dokładnie oddawała częstość występowania nieprawidłowości piersi w środowiskach klinicznych, stwarzała wyzwania dla treningu uczenia głębokiego, ponieważ mogło to prowadzić do uprzedzenia w prognozach i suboptymalnej wydajności dla klas mniejszościowych. W związku z tym, złagodzenie tej nierównowagi stało się konieczne, aby sformułować efektywny i ogólnie dostosowywalny model, który działałby sprawnie w każdej kategorii diagnostycznej. Rycina 2 przedstawia reprezentatywne obrazy ultrasonograficzne z zestawu danych, ilustrujące przykłady łagodnych, złośliwych i normalnych próbek tkanki piersi.

figure-protocol-2
Rycina 2: Proponowany przepływ modelu. Sekwencyjny pipeline od przetwarzania wejścia i nakładania maski do treningu EfficientNet-B0 i wyjścia Grad-CAM. Kliknij tutaj, aby zobaczyć większą wersję tej figury.

3. Przetwarzanie wstępne danych

Badanie zmieniło rozmiar wszystkich obrazów na 224 x 224 pikseli, zgodnie ze standardowymi wymiarami wejściowymi dla architektury EfficientNet-B0. To zmienianie rozmiaru zapewniało spójność zbioru da

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Standardizacja wymiarów wejściowych do 24 X 224 pikseli i normalizacja oparta na ImageNet zapewniła stabilne zachowanie podczas treningu i płynną konwergencję krzywych strat. Zastosowanie operacji nakładania maski na próbki treningowe znacznie zwiększyło widoczność granic zmian w porównaniu z surowymi obrazami ultrasonograficznymi. Obserwacja ta wsparła hipotezę, że poprawa wskaźników anatomicznych poprawia rozdzielczośc cech. Podczas fazy treningowej wykorzystywano te nakładki, natomiast zbiory walidacyjne i testowe poz...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zaproponowany framework wykorzystuje dopracowaną architekturę EfficientNet-B0 zintegrowaną z Gradient-weighted Class Activation Mapping (Grad-CAM), aby zapewnić wysokowydajny, interpretowalny system do klasyfikacji ultrasonografii piersi. Badanie to poszerza pole naukowe, nadrabiając lukę między "czarnymi skrzynkami" modeli uczenia głębokiego a przejrzystością kliniczną, pokazując, że nie trzeba poświęcać wydajności obliczeniowej dla interpretowalności40. Poprzez zastosowanie przetwarzania uważneg...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy deklarują, że nie mają żadnych konfliktów interesów.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy chcą wyrazić swoją szczerą wdzięczność swoim instytucjom i kolegom za ciągłe wsparcie i zachęty w trakcie tego badania. Autorzy wyrażają również uznanie dla twórców BUSI Breast Ultrasound Dataset za dostarczenie publicznie dostępnego zestawu danych, który umożliwił przeprowadzenie tego badania. To dzieło było wspierane przez Princess Nourahbint Abdulrahman University Researchers Supporting Project number (PNURSP2026R432), Princess Nourah bint Abdulrahman University, Rijad, Arabia Saudyjska. Autorzy dziękują Dziekanii Badań i Studiów Podyplomowych  na King Khalid University za finansowanie tej pracy poprzez Large Group Research pod numerem grantu RGP2/749/46.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Breast Ultrasound Images (BUSI Dataset)N/A780 obrazów PNG (487 Dobrocięciwych, 210 Złośliwych, 133 Normalnych)
MatplotlibMatplotlib DevelopersN/AWersja 3.7.1
NumPyNumPy DevelopersN/AWersja 1.23.5
NVIDIA Tesla T4 GPUNVIDIAN/A16GB VRAM
OpenCVOpenCV.orgN/AWersja 4.7.0
Pillow (PIL)Python Imaging LibraryN/AWersja 9.4.0
PythonPython Software FoundationN/AWersja 3.9.12
PyTorchMeta AIN/AWersja 2.0.1+cu117
Scikit-learnScikit-learn DevelopersN/AWersja 1.2.2
SeabornSeaborn DevelopersN/AWersja 0.12.2
Ubuntu OSCanonicalN/A64-bit

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wilkinson, L., Gathani, T. Understanding breast cancer as a global health concern. Br J Radiol. 95 (1130), 20211033(2021).
  2. Ud din, N. M., Dar, R. A., Rasool, M., Assad, A. Breast cancer detection using deep learning: datasets, methods, and challenges ahead. Comput Biol Med. 149, 106073(2022).
  3. Jin, W., Li, X., Fatehi, M., Hamarneh, G. Guidelines and evaluation of clinical explainable AI in medical image analysis. Med Image Anal. 84, 102684(2023).
  4. Ghasemi, A., Hashtarkhani, S., Schwartz, D. L., Shaban-Nejad, A. Explainable artificial intelligence in breast cancer detection and risk prediction: a systematic scoping review. Cancer Innov. 3 (5), (2024).
  5. Sharafaddini, A. M., Esfahani, K. K., Mansouri, N. Deep learning approaches to detect breast cancer: a comprehensive review. Multimedia tools and applications. 84 (21), 24079-24190 (2025).
  6. Singh, V. K., et al. Breast tumor segmentation in ultrasound images using contextual-information-aware deep adversarial learning framework. Expert Systems with Applications. 162, 113870(2020).
  7. Wani, N. A., Kumar, R., Bedi, J. Harnessing fusion modeling for enhanced breast cancer classification through interpretable artificial intelligence and in-depth explanations. Engineering Applications of Artificial Intelligence. 136, 108939(2024).
  8. Kikani, K., Desai, M., Desai, B. Early Detection and Personalized Risk Assessment of Breast Cancer: An Integrative Review and Comparative Evaluation of AI Models Using Clinical and Imaging Data. Archives of Computational Methods in Engineering. , 1-29 (2025).
  9. Singh, R., Gupta, S., Yamsani, N., Manwal, M., Bansal, G. Automated Breast Cancer Classification using a Custom CNN Architecture on the BUSI Dataset. IEEE Xplore. , 1185-1190 (2025).
  10. Ali, A., et al. Exploring AI approaches for breast cancer detection and diagnosis: A review Article. Breast Cancer: Targets and Therapy. , 927-947 (2025).
  11. Sharafaddini, A. M., Esfahani, K. K., Mansouri, N. Deep learning approaches to detect breast cancer: a comprehensive review. Multimed Tools Appl. , (2024).
  12. Sienicki, K. Comment on the paper titled ‘The origin of quantum mechanical statistics: insights from research on human language’. Preprints. , (2024).
  13. Ahn, J. S., et al. Artificial intelligence in breast cancer diagnosis and personalized medicine. Journal of breast cancer. 26 (5), 405(2023).
  14. Qureshi, S. A., et al. Breast cancer detection using mammography: image processing to deep learning. IEEE Access. , (2024).
  15. Dihmani, H., Bousselham, A., Bouattane, O. A new computer-aided diagnosis system for breast cancer detection from thermograms using metaheuristic algorithms and explainable AI. Algorithms. 17 (10), 462(2024).
  16. Nakach, F. Z., Idri, A., Goceri, E. A comprehensive investigation of multimodal deep learning fusion strategies for breast cancer classification. Artif Intell Rev. 57 (12), 327(2024).
  17. Mondol, R. K. Deep learning based prognosis and explainability for breast cancer. , UNSW Sydney. Doctoral dissertation (2025).
  18. Ayana, G., Ryu, J., Choe, S. Ultrasound-responsive nanocarriers for breast cancer chemotherapy. Micromachines. 13 (9), 1508(2022).
  19. Afrin, H., Larson, N. B., Fatemi, M., Alizad, A. Deep Learning in Different Ultrasound Methods for Breast Cancer, from Diagnosis to Prognosis: Current Trends, Challenges, and an Analysis. Cancers. 15 (12), 3139(2023).
  20. Ayana, G., Ryu, J., Choe, S. Ultrasound-responsive nanocarriers for breast cancer chemotherapy. Micromachines. 13 (9), 1508(2022).
  21. Di Paola, V., et al. Beyond N staging in breast cancer: importance of MRI and ultrasound-based imaging. Cancers. 14 (17), 4270(2022).
  22. Sahu, A., Das, P. K., Meher, S. Efficient deep learning scheme for breast cancer detection using mammogram and ultrasound images. Biomed Signal Process Control. 87, 105377(2024).
  23. Rezazadeh, A., Jafarian, Y., Kord, A. Explainable ensemble machine learning for breast cancer diagnosis using ultrasound texture features. Forecasting. 4 (1), 262-274 (2022).
  24. Raza, A., et al. Deep Breast Cancer Net: a novel deep learning model for ultrasound breast cancer detection. Appl Sci. 13 (4), 2082(2023).
  25. Jabeen, K., et al. Breast cancer classification from ultrasound images using optimal deep learning feature fusion. Sensors. 22 (3), 807(2022).
  26. Ayana, G., Park, J., Jeong, J. W., Choe, S. Multistage transfer learning for ultrasound breast cancer image classification. Diagnostics. 12 (1), 135(2022).
  27. Gupta, S., Agrawal, S., Singh, S. K., Kumar, S. Transfer learning-based model for ultrasound breast cancer classification. Comput Vis Bio-Inspired Comput. , 511-523 (2023).
  28. Kratkiewicz, K., Pattyn, A., Alijabbari, N., Mehrmohammadi, M. Ultrasound and photoacoustic imaging of breast cancer: clinical systems and challenges. J Clin Med. 11 (5), 1165(2022).
  29. Al-Dhabyani, W., Gomaa, M., Khaled, H., Fahmy, A. Dataset of breast ultrasound images. Data Brief. 28, 104863(2020).
  30. R, M. T. Enhancing Diagnostic Accuracy in Breast Ultrasound Imaging through Deep Learning and Image Augmentation Techniques. IEEE ICERCS, , 1-6 (2024).
  31. Balasubramaniam, S., Velmurugan, Y., Jaganathan, D., Dhanasekaran, S. A Modified LeNet CNN for Breast Cancer Diagnosis in Ultrasound Images. Diagnostics. 13 (17), 2746(2023).
  32. Atrey, K., Singh, B. K., Bodhey, N. K. Multimodal classification of breast cancer using feature level fusion of mammogram and ultrasound images in machine learning paradigm. Multimedia Tools and Applications. 83 (7), 21347-21368 (2023).
  33. Vigil, N., et al. Dual-Intended Deep Learning Model for Breast Cancer Diagnosis in Ultrasound Imaging. Cancers. 14 (11), 2663(2022).
  34. Uysal, F., Köse, M. M. Classification of Breast Cancer Ultrasound Images with Deep Learning-Based Models. ASEC 2022, , 8(2022).
  35. Boulenger, A., et al. Deep learning-based system for automatic prediction of triple-negative breast cancer from ultrasound images. Medical & Biological Engineering & Computing. 61 (2), 567-578 (2022).
  36. Işık, G., Paçal, İ Few-shot classification of ultrasound breast cancer images using meta-learning algorithms. Neural Computing and Applications. 36 (20), 12047-12059 (2024).
  37. Liu, H., et al. Artificial Intelligence-Based Breast Cancer Diagnosis Using Ultrasound Images and Grid-Based Deep Feature Generator. International Journal of General Medicine. 15, 2271-2282 (2022).
  38. Zourhri, M., et al. Deep Learning Technique for Classification of Breast Cancer using Ultrasound Images. IEEE IRASET, , (2023).
  39. Taleghamar, H., Jalalifar, S. A., Czarnota, G. J., Sadeghi-Naini, A. Deep learning of quantitative ultrasound multi-parametric images at pre-treatment to predict breast cancer response to chemotherapy. Scientific Reports. 12 (1), (2022).
  40. Sharafaddini, A. M., Esfahani, K. K., Mansouri, N. Deep learning approaches to detect breast cancer: a comprehensive review. Multimed Tools Appl. , (2024).
  41. Al-Dhabyani, W., Gomaa, M., Khaled, H., Fahmy, A. Dataset of breast ultrasound images. Data Brief. 28, 104863(2020).
  42. Mondol, S. S., Hasan, M. K. Enhancing B-mode-based breast cancer diagnosis via cross-attention fusion of H-scan and Nakagami imaging with multi-CAM-QUS-Driven XAI. Physics in Medicine & Biology. 70 (17), 175011(2025).
  43. Shifa, N. Explainable breast cancer detection in mammograms using lightweight EfficientNet-B0 with Grad-CAM and LIME. , Qatar University. (2025).
  44. Haghighat, F., Nemati, Z., Rambodrad, A., Negareshifard, P., Jafari, E. Multimodal deep learning and data fusion in precision breast oncology: clinical Applications, fusion Strategies, and future directions. InfoScience Trends. 2 (10), 81-115 (2025).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Breast Cancer PredictionExplainable AITransfer LearningUltrasound ImagesDeep LearningEfficientNet B0Data AugmentationGrad CAMLesion DetectionClinical Diagnosis

Powiązane artykuły