Yöntem makalesi

Meme Kanseri Tahmini İçin Açıklanabilir Yapay Zeka Tabanlı Transfer Öğrenme Yöntemi

DOI:

10.3791/70011

⸱

22 Haziran 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

Bu makalede

Özet

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

Meme ultrason görüntülerini iyi huylu, kötü huylu ve normal kategorilere ayırmak için açıklanabilir bir transfer-öğrenme protokolü geliştirilmiştir; bu protokol, klinik karar destek uygulamaları için yorumlanabilir tanısal ısı haritaları sağlar.

Özet

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

Meme kanseri ultrason görüntüleri ile tanımlama, klinisyenlerin uygun kararlar almasına yardımcı olmak için yüksek doğruluk ve şeffaflık gerektirir. Bu çalışma, Meme ultrason görüntülerini, Meme Ultrason Tanımlama (BUSI) veri setinde ince ayar edilmiş EfficientNet-B0 mimarisi kullanılarak iyi huylu zararlı, kötü huylu ve normal görüntülere sınıflandırmak için derin öğrenme sistemini göstermektedir. Sınıf dengesizliğini azaltmak ve ağı stabilize etmek için, rastgele yatay çevirme, dönüş ve renk titremesi gibi veri artırmaları uygulanır. Gradient ağırlıklı Sınıf Aktivasyon Haritalaması (Grad-CAM), tümör kenarları ve doku desenleri gibi ilgi çekici bölgeleri belirleyerek görsel açıklamalar oluşturmak için kullanılır. Model, lezyon tespitinde yüksek etkinlik göstererek ortalama %99 doğruluk sağlamıştır. Açıklanabilir YZ (XAI) entegrasyonu sadece tanı güvenini artırmakla kalmaz, aynı zamanda klinik uygulama ile yapay zeka arasındaki boşluğu da kapatır. Sonuçlar, yüksek performanslı derin öğrenme modelleri ile yorumlanabilirlik yöntemlerinin birleştirilerek gerçek klinik uygulamalara uygun güvenilir meme kanseri tanı araçları geliştirilmesinin potansiyelini kanıtlamaktadır.

Giriş

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

Meme kanseri, dünya çapında kadınları etkileyen en önemli hayati tehlike oluşturan hastalıklardan biridir. Dünya Sağlık Örgütü'ne (WHO) göre, meme kanseri kanserle ilişkili ölümlerin çoğunluğuna katkıda bulunur ve erken teşhis, sağkalma oranını artırmak açısından kritiköneme sahiptir 1. Ultrason görüntüleme, güvenli, ucuz olduğu ve gerçek zamanlı görüntüler üretebildiği için meme kanseri için rutin bir tanı prosedürü haline gelmiştir. Mammografinin aksine, ultrason sıvı içeren katı kitleleri ve büyümeleri ayırt etmede son derece etkilidir ve bu nedenle meme patolojisi varken mükemmel bir tanı kaynağı olarak hizmet eder. Ultrason görüntüleme yorumu son derece öznel olup yüksek düzey uzmanlığa bağlıdır; bu da tanıda değişkenlik ve olası insan hatasına yol açar.

Son birkaç yılda, yapay zeka ve derin öğrenme, tıbbi görüntü analizini otomatikleştirmede büyük yetenekler sergilemiştir. Derin öğrenme tabanlı modeller, özellikle CNN'ler, nesne segmentasyonu, tespit ve sınıflandırma konusundaüstündür 2. Ancak, sağlık hizmetlerinde yapay zekanın benimsenmesi, bu modellerin "kara kutu" doğası nedeniyle engellenmektedir. "Kara kutu" terimi, bir modelin belirli bir sonuca nasıl vardığı şeffaflık eksikliğini ifade eder; Girdiler ve çıktılar bilinse de, klinik tahmin yapmak için kullanılan iç mantık ve özel özellikler kullanıcıdan gizli kalır.

Bu çalışmanın motivasyonu, meme kanserinin erken teşhisini destekleyecek güvenilir aletlere acil ihtiyaç duyulduğundan kaynaklanmaktadır; bu kanser, dünya genelinde kadın ölümünün önde gelen nedenlerinden biri olmaya devam etmektedir. Derin öğrenme modelleri son derece etkili olsa da, yorumlanabilirlik eksikliği klinik ortamlara entegrasyonusınırlar 3. Mevcut çalışmalar, yüksek performanslı sınıflandırma için EfficientNet-B0 kullanarak ve modelin karar alma sürecine görsel içgörüler sağlamak için Grad-CAM gibi Açıklanabilir YZ (XAI) tekniklerini entegre ederek bu boşlukları kapatmaktadır. Şeffaflık ve doğruluğu dengeleyerek, bu çalışma klinisyenlere sağlam tanı desteği sağlayan güvenilir bir yapay zeka sistemi geliştirmeyi amaçlamaktadır. XAI yöntemleri, model tahminlerinin temel gerekçesini ortaya koyar, klinisyenlerin sonuçları doğrulamasına ve klinik uygulama ile otomatik sistemler arasındaki boşluğu kapatmasınaolanak tanır 4. Meme ultrasonu sınıflandırmasında, bu yorumlanabilirlik yapay zeka tabanlı tanıların hem doğru hem de klinik olarak gerekçelendirilebilir olmasını sağlar.

Derin öğrenmedeki gelişmelere rağmen, meme ultrason görüntüleme sınıflandırması zorluklardan muaf değildir; sınıf dengesizliği de vardır; kötü hutlu tümörler gibi azınlık sınıfları yeterince temsil edilmişler ve bu da önyargılı modellereyol açar 5. Derin öğrenme modellerinde yorumlanabilirlik eksikliği, klinisyenlerin şeffaf karar alma gerektirmesi nedeniyle klinik uygulamaları zorlaştırıyor. Veri setindeki sınırlı boyut ve çeşitlilik gibi kısıtlamalar, modellerin genellenebilirliğini kısıtlarken, ultrasonda görüntülerin tümör sınırları ve dokusu gibi karmaşık görüntü özellikleri öğrenmekzordur 6. Yukarıda bahsedilen sorunların çözümleri, model tahmini konusunda net bir içgörü ile yüksek doğruluk sağlayan sağlam ve yorumlanabilir bir çerçevegerektirir 7.

Çalışma, meme ultrason görüntülerini iyi huylu zararlı, kötü huylu ve normal kategorilere ayırabilen derin öğrenme çerçevesi geliştirmeyi ve azınlık sınıfları için hedefli artırma yoluyla genelleştirmeyi geliştirmeyi amaçlıyor. Çerçeve, Gradient ağırlıklı Sınıf Aktivasyon Haritalama'yı entegre ederek tahminlerin görsel açıklamalarını sağlar ve doğruluk, hassasiyet, hatırlama ve F1-puan kullanarak performansı değerlendirerek yorumlanabilir bir klinik karar destek sistemi olarak uygunluğunu gösterir. Daha önce yapılan açıklanabilir ultrason tabanlı meme kanseri çalışmalarının aksine, burada Grad-CAM çoğunlukla sonradan görselleştirmeolarak kullanılıyor 8, önerilen çerçeve lezyon bilinçli ön işleme ile eğitim aşamasında sınıf bilinçli öğrenmeyi birleştiriyor. Meme Ultrason Görüntüleri (BUSI) veri setinin yeraltı gerçeklik maskeleri, ultrason görüntülerinin üzerine örtülüp, özellikler çıkarırken lezyonların sınırlarını ve iç yankı desenlerini vurgulamak için kullanılır ve azınlık tanı gruplarında klinik olarak anlamlı görünüm özelliklerini değiştirmeden sınıflardaki dengesizliği azaltmak için seçici artırmauygulanır 9. Bu birleşik, lezyon odaklı lezyon geliştirme, EfficientNet-B0 transfer öğrenimi ve Grad-CAM açıklanabilirliği, tanısal sağlamlığı artıran ve lezyon morfolojisiyle tutarlı yorumlar veren bir kombinasyondur; bu da anatomik olarak yönlendirilen lezyon geliştirme ve açıklanabilirliğinin yapay zeka destekli meme kanseri tanısını güvenilir ve güvenilir kılabileceği hipotezinidoğrular.

Geleneksel tıbbi görüntüleme geleneksel olarak geleneksel görüntü işleme yöntemlerine dayanıyordu; filtreleme, segmentasyon ve morfolojik işlemler kullanılarak tanı için görünür yapıları tespitedildi 11. Ancak, bu süreçler genellikle manuel ayar gerektiriyor ve tıbbi görüntülerin doğasında olan değişkenlik ve karmaşıklığı karşılamakta zorlanıyordu. Örneğin, meme ultrasonu yorumu tarihsel olarak radyologların öznel uzmanlığına bağlıydı; burada kötü huylu ve iyi huylu lezyonların tanımlanması insan hatasına veya yanlış yoruma yatkın görsel tasvirlere dayanıyordu.

Derin öğrenmenin ortaya çıkışı, öncelikle Konvolüsyon Sinir Ağlarının (CNN) uygulanmasıyla tıbbi görüntülemede dönüştürücü bir devrimi tetiklemiştir.12. Bunlar arasında, EfficientNet-B0, ağ derinliği, genişliği ve çözünürlüğü dengeleyen bileşik ölçeklendirme yöntemi kullanarak yüksek verimli ve doğru hesaplamalar elde eden önemli bir yeniliktir. Meme ultrason görüntülemesi bağlamında, model hiyerarşik özellikleri otomatik olarak öğrenmek için ardışık konvolüsyon katmanlar kullanır; böylece öznel manuel özellik çıkarımı ihtiyacını etkili bir şekilde ortadan kaldırır ve tanı doğruluğunu ve güvenilirliğini önemli ölçüde artırır13. Bu etkileyici potansiyele rağmen, tıbbi görüntülemede derin öğrenme çözülmemiş zorluklarla gelişen bir alan olmaya devam etmektedir. Verilerin kalitesi ve erişilebilirliği çok önemlidir; çünkü derin öğrenme modelleri başarılı genellemeyi sağlamak için geniş açıklamalı görüntü depolarına ihtiyaç duyar. Ayrıca, bu modellerin "kara kutu" doğası klinik kabul edilebilirlik için önemli engeller oluşturur; Eğitim verilerindeki potansiyel önyargılarla ilgili etik kaygılar da çarpık veya ayrımcı tanısal tahminlere yol açabilir14. Sonuç olarak, bu araştırma, modellerin objektif ve klinik olarak sağlam kalmasını sağlamak için sıkı test ve doğrulama protokolleri gerektirmektedir. Bu sınırlamaları gidermek için, derin öğrenmedeki mevcut gelişmeler model yorumlanabilirliğini ve dayanıklılığını artırmaya odaklanmaktadır. Bu çalışmada uygulanan Gradient ağırlıklı Sınıf Aktivasyon Haritalama (Grad-CAM) gibi teknikler, model sonuçlarını etkileyen belirli görüntü bölgelerinin görselleştirilmesini sağlar, böylece model davranışının daha derin anlaşılmasını sağlar ve klinik karar alma süreçlerini destekler. Ayrıca, federasyon tabanlı öğrenme çerçevelerindeki atılımlar, kurumlar arasında gizlilik bilincine dayalı iş birliklerini kolaylaştırıyor ve ham veri setlerinin paylaşılmasına gerek kalmadan heterojen verilerin kullanılmasını sağlıyor. Bu tür gelişmeler, tıbbi görüntülemede daha güvenilir, yorumlanabilir ve tarafsız derin öğrenme uygulamalarını giderek mümkün kılmakta olup, nihayetinde klinik kriterler ve hasta bakımını geliştiriyor 15.

Yorumlanabilir tıbbi kararsistemlerinin 16 önemi, açıklanabilir yapay zekadaki son ilerlemelerle vurgulanmıştır. Yorumlanabilir çerçeveler Birleşme tabanlı yorumlanabilir çerçeveler, birden fazla özellik temsili ve birden fazla açıklama mekanizmasının birleşmesiyle daha iyi sınıflandırma ve şeffaflıkgöstermiştir 17. Son araştırmalar, meme kanseri teşhisi ve diğer tıbbi tahmin görevlerinde tanı güvenini artırmak için XAI yöntemleriyle birlikte derin öğrenme modellerinin kullanılmasının yüksek potansiyelini göstermiştir. Bu makaleler, klinisyenlerin hem yüksek tahmin hem de yorumlanabilir akıl yürütme yeteneğine sahip olması gerekliliğini desteklemektedir; bu, mevcut çalışmanın etkili ve anlaşılır bir ultrason sınıflandırma sistemi oluşturma hedefiyletutarlıdır 18.

Tablo 1 , literatür incelemesini ve mevcut teknolojileri sunmaktadır.

ÇalışmaAmaçAçıklama
Humayra Afrin ve ark.(2023)19Meme kitlesi ultrason tanısı ve prognozu için derin öğrenme uygulamalarını gözden geçirin.Lezyon sınıflandırması en yüksek performansı gösterdi ve prognoz üzerine daha az çalışma yapıldı.
Gelan Ayana ve ark. (2022)20Meme kanseri kemoterapisi için ultrason rehberliğinde nanotaşıyıcıları inceleyin.Ultrasona duyarlı nanotaşıyıcılar ilaç dağıtımını iyileştirir ancak fizyolojik engellerle karşılaşır.
Valerio Di Paola et al. (2022)21Meme kanserinde doğru N-evreleme için görüntüleme tekniklerini analiz edin.MRI ve US kilit roller oynar, ancak yanlış pozitif/negatif sonuçlar tanı doğruluğunu etkiler.
Adyasha Sahu ve ark. (2024)22Meme kanseri tespiti için bir derin öğrenme sınıflandırıcısı önerin.AlexNet, ResNet ve MobileNetV2 ile yüksek hızlılık ve yüksek hızlama ile yüksek hassasiyet elde edildi.
Alireza Rezazadeh ve diğerleri (2022)23Meme kanseri teşhisi için ultrason görüntüleri kullanarak açıklanabilir bir ML boru hattı geliştirin.Tahminlerin yorumlanabilirliğini artırmak için doku özellikleri ve karar ağacı toplulukları kullanır.
Asaf Raza ve ark. (2023)24Güçlü meme kanseri tespiti için DeepBreastCancerNet'i geliştirin.24 katmanlı mimariyle çoklu optimizasyonlarla %99,63 doğruluk elde edildi.
Kiran Jabeen ve ark.(2022)25DarkNet-53 ve özelliklerin birleşimi kullanılarak derin öğrenme çerçevesi önerin.Optimize edilmiş özellik seçimi teknikleriyle %99,1 doğruluk sağlandı.
Gelan Ayana ve ark.(2022)26Ultrason meme kanseri sınıflandırması için çok aşamalı transfer öğrenmesi (MSTL) geliştirmek.EfficientNetB2, InceptionV3 ve ResNet50 ile tıbbi görüntü tabanlı transfer öğrenmesi kullanılarak daha iyi doğruluk sağlandı.
Saksham Gupta ve ark. (2023)27Ultrason meme kanseri sınıflandırması için modifiye edilmiş ResNet50 kullanın.%97,8 doğruluk oranına ulaşıldı, teşhis süresini azalttı ve erken tespiti iyileştirdi.
Karl Kratkiewicz ve ark. (2022)28Ultrason tomografisi (UST) ve fotoakustik tomografi (PAT) gibi ileri görüntüleme yöntemlerini gözden geçirin.UST ve PAT, meme kanseri tespitini nicel görüntüleme ile artırır.

Tablo 1: Mevcut teknolojilerin literatürü ve incelemesini gösterir.

Önerilen model, meme ultrason görüntülerinin sınıflandırılmasında derin öğrenmedeki başarılara dayanmaktadır ve bu araştırmanın veri kalitesi, bir modelin yorumlanabilirliği ve hesaplamaların verimliliği gibi temel zorluklarını aşmaktadır. Manuel özellik çıkarma kullanılan eski tekniklerin aksine, bu çalışmada yazarlar derinlik, genişlik ve çözünürlüğü en iyi çalışma şeasında birleştiren en yeni mimari EfficientNet-B0'dan faydalanıyor. Model, tahmininin açıklamasını görselleştirmek için Grad-CAM kullanıyor ve bu da şeffaflığını ve klinik güvenini artırıyor. Mevcut çözümler, topluluk modelleri ve transfer öğrenme dahil olmak üzere, son derece hassas hale gelmiş olsa da, kolayca yorumlanamaz veya büyük miktarda hesaplama gücü gerektirebilirler. Sunulan çalışma, hem son derece doğru (99) hem de yorumlanabilir olduğu için bu eksiklikleri ele almaktadır; böylece modelin klinik karar alma süreçlerinde güvenilir ve uygulanabilir olmasını sağlamaktadır. Sınıflar ve pratik kullanım dengesizliğine odaklanarak önerilen yaklaşım, yapay zeka destekli meme kanseri teşhisinin yeni bir standartıdır.

Makale, daha önce toplanmış anonimleştirilmiş klinik görüntülerden oluşan kamuya açık bir BUSI setini kullanıyor. Bu çalışmada doğrudan insan ve hayvan bulunmadığı için kurumsal etik onaya (IRB/IACUC) ihtiyaç yoktu. Tüm operasyonlar, kamuya açık tıbbi görüntüleme verilerinin ikincil kullanımına ilişkin ortak standartlara uygundur.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

1. Veri seti özellikleri

Çalışma, meme kanserinin analizi ve sınıflandırılması için iyi belgelenmiş bir depo sağlayan kamuya açık Meme Ultrason Görüntüleri (BUSI) verisetini kullandı. Bu veri seti, tıbbi görüntüleme için derin öğrenme modellerini oluşturmak ve doğrulamak için gereken geniş bir ultrason görüntü koleksiyonunu içerdiği için özellikle uygun oldu. Veri seti, meme kanseri teşhisi için çeşitli bir nüfusu temsil eden 25–75 yaş arası 600 kadından toplanan 780 ultrason görüntüsünü içeriyordu. Tüm görüntüler ortalama 500 x 500 piksel çözünürlük sağladı ve yüksek kaliteli görsel verileri analiz için korumak amacıyla PNG formatını kullandı. Şekil 1, önerilen çerçevenin genel iş akışını, ön işleme, artırma, EfficientNet-B0 özellik çıkarımı, sınıflandırma ve Grad-CAM yorumlanabilirliği dahil olmak üzere göstermektedir.

figure-protocol-1
Şekil 1: BUSI veri setinden temsil örnekler. (A) İyi huylu, (B) Kötü huylu ve (C) Normal görüntüler. Paneller, eğitimde kullanılan morfolojik çeşitliliği gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

2. Deneysel iş akışı

Tekrarlanabilirliği sağlamak için soruşturma, işleme boru hattını ardışık aşamalarda yürüttü. İlk olarak, sistem BUSI ultrason görüntülerini ve ilgili yer gerçekliği maskelerini yükleyip 224×224 piksele boyutlandırdı, ardından ImageNet normalizasyonu yapıldı. İkinci olarak, çerçeve her görüntüyü maskesiyle örtüyor ve lezyon bölgelerini vurgulamadan önce, veri setini eğitim (%70), doğrulama (%15) ve test (%15) alt kümelerine (%15) katmanlı örnekleme ile bölmüştür. Üçüncü olarak, çalışma, yatay çevirme, dönüş (±15°) ve renk titremesi gibi hedefli artırmaları öncelikle azınlık sınıflarına uyguladı. Dördüncü olarak, araştırmacılar, ImageNet'te önceden eğitilen EfficientNet-B0 modelini ince ayar ederek son sınıflandırma katmanını üç sınıflı çıkış katmanıyla değiştirdiler. Eğitim süreci, Adam optimizatorunu (öğrenme oranı 0.00005), adımlı öğrenme hızı düşüşünü (γ = her 7 dönemde 0.1), çapraz entropi kaybını, 8 parti büyüklüğünü ve 2 sabırla erken bırakmayı kullandı. Son olarak, Grad-CAM son konvolüsyon katmandan dikkat ısı haritaları oluşturarak tanısal olarak ilgili bölgeleri görselleştirdi ve klinik yorumu destekledi. Materyaller Tablosu, çalışmanın meme ultrasonu sınıflandırması ve yorumlanabilirlik çerçevesini yeniden üretmek için gerekli temel veri setlerini, yazılım kütüphanelerini ve donanım yapılandırmalarını listeler.

BUSI veri seti, tıbbi veri setlerinde sıkça gözlemlenen doğal bir sınıf dengesizliği sergilemiştir. Dağılım, iyi huylu sınıfı lehineydi, ardından kötü hutlu ve normal vakalar geldi. Özellikle, veri seti 487 iyi huylu, 210 kötü huylu ve 133 normal görüntü içeriyordu. Veri artırılması eğitim değişkenliğini artırsa da, her sınıftaki temel örneklem sayısını değiştirmedi. Bu dağılım, iyi huylu hastalıkların kötü huylu tümörlerden daha sık görüldüğü gerçek klinik senaryoları yansıtıyordu. Bu dengesizlik, klinik ortamlarda meme anormalliklerinin yaygınlığını doğru şekilde yansıtsa da, derin öğrenme eğitimi için zorluklar yarattı; çünkü azınlık sınıfları için önyargılı tahminlere ve düşük performansa yol açabilirdi. Sonuç olarak, bu dengesizliği azaltmak, her tanı kategorisinde verimli şekilde çalışan etkili ve genelleştirilebilir bir model oluşturmak için vazgeçilmez hale geldi. Şekil 2, veri setinden temsil eden ultrason görüntülerini göstermekte olup, iyi huylu ve normal meme dokusu örneklerini göstermektedir.

figure-protocol-2
Şekil 2: Önerilen model iş akışı. Giriş ve maske üst işlemeden EfficientNet-B0 eğitimi ve Grad-CAM çıktısına ardışık boru hattı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

3. Veri Ön İşleme

Çalışma, tüm görüntüleri 224 x 224 piksele boyutlandırdı ve EfficientNet-B0 mimarisi için standart giriş boyutlarına uydu. Bu boyutlandırma, veri seti tutarlılığını sağladı ve denklem 1 ile tanımlandığı hesaplama gereksinimlerini azalttı.

figure-protocol-3     

Çerçeve, piksel değerlerini ImageNet veri setinin ortalama ve standart sapmasını kullanarak normalleştirdi (ortalama için [0.485, 0.456, 0.406] ve std için [0.229, 0.224, 0.225]). Bu normalizasyon, giriş verilerini ölçeklendirerek eğitim kararlılığını ve yakınsama hızını artırdı; denklem 2'ye göre hesaplandı.

figure-protocol-4      

Özellik çıkarımı ve ilgi çekici bölgelerin tanımlanmasını geliştirmek için, araştırmacılar orijinal görüntüleri ilgili yer gerçekliği maskelerine bindirdiler. Şekil 3 , zemin gerçekliği lezyon maskelerini ve ortaya çıkan üstüstü ultrason görüntülerini göstererek tümör sınırlarını vurgulamaktadır.

figure-protocol-5
Şekil 3: Maske ve üst üste yerleştirilmiş görüntüler. (A) Orijinal ultrason, (B) yeraltı gerçeklik maskesi ve (C) mekânsal dikkat için tümör sınırlarını vurgulayan ortaya çıkan üst katman. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Bu örtü, tümör kenarları ve doku desenleri gibi kritik bölgeleri tanımlayarak modele sınıflandırma doğruluğunu artırmak için lokal mekansal bağlam sağladı; bu, denklem 3'te gösterildiği gibi.

figure-protocol-6      

Çalışma, özellik öğrenimi sırasında lezyon sınır bilgisini desteklemek için yalnızca eğitim verilerinin hazırlanması sırasında maske örtü işlemini kullandı. Buna karşılık, doğrulama ve çıkarım aşamalarında maskesiz sadece orijinal ultrason görüntüleri kullanıldı ve geleneksel bir görüntü sınıflandırma hattı sürdürüldü. BUSI veri setindeki ikili segmentasyon maskeleri, ultrason görüntülerinde zaten var olan yapıları temsil ettiğinden, yeni sınıf etiketleri tanıtmadı. Bilgi sızıntısını önlemek için soruşturma veri setini eğitim, doğrulama ve test setlerine ayırdı ve alt kümeler arasında örtüşen görüntü veya maske çiftlerinin paylaşılmamasını sağladı. Sonuç olarak, üst katman, değerlendirme verilerinin bağımsızlığını bozmadan anatomik olarak önemli alanları vurgulayan bir mekânsal dikkat rehberi olarak işlev gördü.

4. Veri Artırımı

Çalışma, eğitim setinde sınıf dengesizliğini azaltmak için hedefli veri artırma uyguladı ve özellikle kötü hutlu ve normal azınlık sınıflarına odaklandı. Çerçeve, eğitim verilerinin değişkenliğini yapay olarak artırmak ve modelin çeşitli görüntüleme koşullarında genelleme kapasitesini artırmak için geniş bir dönüşüm yelpazesi kullandı.

İlk olarak, sistem 0,9 (%90) olasılıkla yatay çevirme gerçekleştirdi ve böylece model, tarama yönünden bağımsız olarak özellikleri tanıyabildi. Bu dönüşüm, denklem 4'ü takip etti:

figure-protocol-7      

İkinci olarak, tarama açıları ve hasta konumlandırmasındaki değişimleri simüle etmek için ±15° aralığında rastgele dönüşler uyguladı. Bu süreç, modeli, tümör kenarları ve doku desenleri gibi dönüşüm içinde değişmeyen özellikleri öğrenmeye zorladı; bunlar denklem 5 ile tanımlandı:

figure-protocol-8      

Üçüncü olarak, araştırmacılar renk titremesini ışık, kontrast ve renk dengesindeki değişimleri simüle etmek için kullandılar. Çerçeve, parlaklık, kontrast ve doygunluğu 0.2 kat, tonu ise 0.1 katına ayarladı. Bu stokastik ayarlamalar, modelin görünüm değişikliklerine karşı dayanıklılığını artırdı ve denklem 6 doğrultusunda hesaplandı:

figure-protocol-9      

Bu spesifik hiperparametre aralıklarının (yatay flip 0.9, rotasyon +15, -15, parlaklık/kontrast/doygunluk 0.2, ton 0.1) seçimi ampirik bir kararlılık değerlendirmesinden kaynaklandı. Araştırma, bu ayarların çeşitlilik üretimi ile anatomik gerçekçilik arasındaki dengeyi optimize ettiğini, gerçekçi olmayan lezyon deformasyonları yaratmadan istikrarlı yakınsamayı ve stabil doğrulama doğruluğunu sağladığını ortaya koydu.

5. Model Mimarisi

Çalışma, verimliliği, ölçeklenebilirliği ve diğer görüntü sınıflandırma mimarilerine kıyasla performansıyla tanınan modern bir CNN modeli olan EfficientNet-B0'u kullandı. Bu model, ağın derinliğini, genişliğini ve çözünürlüğünü orantılı olarak ölçeklendirme yöntemi kullanarak, ResNet ve VGG gibi standart mimarilere kıyasla önemli ölçüde daha az parametre ile yüksek doğruluk sağladı. Bu ölçeklendirme yaklaşımı, çerçevenin yüksek çözünürlüklü görüntüleri işleyerek hesaplama açısından verimli kalmasını sağladı ve tıbbi görüntülemenin özel ihtiyaçlarına uydu. Şekil 4 , EfficientNet-B0'ın mimarisini göstermekte olup, hiyerarşik özellik çıkarımı için kullanılan konvolüsyon ve MBConv bloklarının dizisini vurgulamaktadır.

figure-protocol-10
Şekil 4: EfficientNet-B0 mimarisi. MBConv bloklarının şemaları ve hiyerarşik özellik çıkarımı için kullanılan bileşik ölçeklendirme faktörleri. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Meme ultrason sınıflandırma görevi için EfficientNet-B0'ı değiştirmek amacıyla, araştırmacılar model yapısında özel ayarlamalar getirdiler. Sistem, 1.000 sınıflık ImageNet veri seti için tasarlanan ilk sınıflandırma katmanını, 3 çıkış nöronundan oluşan tam bağlantılı (yoğun) bir katmanla değiştirdi. Araştırma, önceden eğitilmiş EfficientNet-B0 omurgasının tüm katmanlarını eğitilebilir hale getirdi ve yeni sınıflandırma katmanıyla birlikte tam bir ince ayar stratejisi izleyerek optimize etti. Eğitim süreci aşamalı dondurma veya kademeli dondurma uygulanmadı. Framework, Adam optimizatörü ile 0.00005 öğrenme oranı ve her 7 dönemde 0.1 kat azaltan adımlı öğrenme hızı zamanlayıcısı ile eğitim yaptı. Bu nöronlar BUSI veri setindeki üç hedef sınıfa karşılık geliyordu: iyi huylulu, normal ve kötü huylu. Model, çıktı katmanında SoftMax aktivasyonu kullanarak, ham skorları olasılık dağılımlarına dönüştürdü; bu durum denklem 7'de hesaplandı. Tablo 2 , model mimarisinin tanımını göstermektedir.

figure-protocol-11      

Katman TipiTanım
Giriş Katmanı224 x 224 x 3 boyutlarında görüntüleri kabul eder
Konvolüsyon KatmanlarÖzellik çıkarımı için başlangıç konvolüsyonunu ve MBConv bloklarını içerir.
Küresel Ortalama HavuzlamaMekânsal boyutları 1D özellik vektörüne indirir.
Tam Bağlı KatmanÖzellik vektörünü 3 çıkış nöronu (normal, iyi huylu, kötü huylu) eşlendirir.
SoftMax AktivasyonuLogitleri çoklu sınıflandırma için olasılıklara dönüştürür.

Tablo 2: Model mimarisinin tanımını gösterir.

Modeli eğitmek için kullanılan parametreler, Adam optimizatoru, başlangıç öğrenme oranı 0.00005 ve matematiksel olarak hesaplanan kategorik çapraz entropi kaybı (üç sınıf) idi; bunlar denklem 9'a göre matematiksel olarak hesaplanmıştır. ImageNet ön eğitilmiş ağırlıklar EfficientNet-B0'ı başlatmak için kullanıldı ve tam olarak eğitildi, tüm omurga katmanları eğitildi ve aşamalı dondurma uygulanmadı. İlk sınıflandırıcı tamamen bağlı bir katman ve üç çıkış nöronu ile son olarak iyi huylu ve normal sınıfları temsil eden SoftMax aktivasyonu ile değiştirildi. Görüntüler 224 x 224 piksele küçüldü, ardından ImageNet ortalama ve standart sapma ile normalleştirildi ve 8'lik mini partiler halinde yüklendi. Bir basamaklı öğrenme hızı zamanlayıcısı, öğrenme oranını her 7 dönemde 0.1 düşürdü. Doğrulama kaybı, aşırı uyumu önlemek için 2 dönem sabırla erken durmak için kullanıldı. Grad-CAM aktivasyonları, gradyanlar hesaplanarak, kanal ağırlıkları elde etmek için küresel ortalama havuzlama ve aktivasyon haritalarının giriş çözünürlüğüne yükseltilmesiyle son konvolüsyon katmana göre üretildi.

Bu istikrarı doğrulamak için, antrenman birkaç deneme boyunca Eşleşme doğrulama performansıyla tekrarlandı. Aşırı uyum belirlemek için eğitim ve doğrulama kayıp eğrilerinin izlenmesi kullanıldı ve nihai değerlendirme için eğitime bağlı olmayan tabakalı bir tutma testi seti kullanıldı. Doğrulama performansı ile test performansı arasındaki fark küçüktür ve bu da tutarlı yakınsamayı ve optimizasyon tekrarlanabilirliğini gösterir. Denklem 10, adımlı bir öğrenme hızı takvimi tanımlar. Denklem 15, doğrulama kaybında ardışık iki artışı gösterir ve olası aşırı uyum anlamına gelir.

figure-protocol-12      

figure-protocol-13      

figure-protocol-14      

figure-protocol-15      

figure-protocol-16      

figure-protocol-17      

figure-protocol-18      

EfficientNet-B0, mimari, mimarinin verimliliğini ve hızını sağlayan birkaç yenilikçi mimari unsur içerdiği için göğüs ultrasonografisi sınıflandırması görevine özellikle esnektir. Merkezi kısım ise MBConv'dur; derinlik olarak ayrılabilir konvolüsyonları sıkıştırma ve uyarılma modülleriyle birleştirerek doğruluk kaybı olmadan daha düşük hesaplama karmaşıklığı sağlar. Model ayrıca, derinlik, genişlik ve çözünürlük eşit şekilde ölçeklendirerek her türlü kaynak kısıtlamasında optimum performans elde etmeyi destekler ve model ayrıca görev çevikliğine sahiptir; bu da matematiksel olarak türetilmiştir; örneğin aşağıdaki denklem 8'de. Model, ImageNet veri setinde eğitilen ağırlıklar içerdiğinden öğrenilebilir ve önemli ölçüde modeli küçük tıbbi veri setlerinde eğitmeye gerek kalmaz. Yüksek seviyeli özelliklerin birleşimi, ayrıca nihai sınıflandırma katmanındaki değişiklikleri, Adam optimizatorunun kullanımı, öğrenme hızı zamanlayıcısı ve erken durma gibi özel eğitim ortamını da içeren bu kombinasyon, modelin son derece doğru olmasını sağlar, ancak aynı zamanda hesaplama açısından da verimli olur. Mimari yaratıcılık ve eğitim yaklaşımlarının bu birleşimi, modelin zayıf tıbbi görüntüleme bilgisi temelinde verimli bir şekilde öğrenmesini sağlayacak ve böylece meme ultrasonunun kategorislenmesinde faydalı bir araç olduğunu kanıtlayacaktır.

Algoritma 1: EfficientNet-B0 ve Grad-CAM kullanarak Meme Ultrason Görüntü Sınıflandırması

Giriş: Meme ultrason görüntüleri.
Çıktı: Sınıflandırma (normal, zararlı, zararlı) ve Grad-CAM ısı haritaları.
1. Ön İşlem Görüntüleri:
Boyutunu 224×224224×224'e değiştirin.
Normalize et, ImageNet ortalama ve standart seviye ile yap.
Çevirme, dönme ve renk titremesi ile güçlendirin.
2. Modeli başlatın:
Yük VerimliliğiNet-B0 (önceden eğitilmiş, üst katman hariç tutuluyor).
Küresel Ortalama Havuzlama ve yoğun bir katman (3 nöron, SoftMax) ekleyin.
3. Tren Modeli:
Optimizer: Adam (öğrenme hızı = 0.00005).
Kayıp: Çapraz entropi.
18 dönem boyunca erken durarak (sabır = 2) antrenman yapın.
4. Grad-CAM Görselleştirme:
Hedef sınıfın gradyanlarını hesaplayın.
Giriş görüntüleri üzerine ısı haritaları oluşturup üst üste yerleştirin.

Algoritma, EfficientNet-B0 ve Grad-CAM ile meme ultrason görüntülerinin sınıflandırılmasını sağlar; modelin ön işlemesi, eğitimi ve çıkarımını içerir; ayrıca klinik doğrulama için yorumlanabilir ısı haritası da bulunur.

6. Açıklanabilir yapay zeka olarak Grad-CAM

Çalışmada kullanılan güçlü bir araç, derin öğrenme modeline yorumlanabilirlik katabilirlik kazandıran Gradient-weighted Class Activation Mapping. Klinik görüntülemede XAI'nin mevcut acil ihtiyacına bir çözüm olarak değerlendirilen yöntem, klinisyenlerin modelin tahmininde kullanılan en önemli bölgeler etrafında görsel olarak açıklanabilir ısı haritaları aracılığıyla modelin karar vermesini sezgisel olarak anlamalarını sağlamak için Grad-CAM kullanır. Yorumlanabilirliğin bu şekilde yakınlaşması, özellikle sağlık hizmetleri gibi hesap verebilirlik ve şeffaflığın önemli olduğu yüksek riskli sistemlerde olan yapay zeka sistemlerine güven oluşturmak için kritik olacaktır. Şekil 5, modelin iyi huylu ve normal vakalar için tahminlerini en çok etkileyen görüntü bölgelerini vurgulayan Grad-CAM ısı haritalarını sunar.

figure-protocol-19
Şekil 5: Grad-CAM aktivasyon ısı haritaları. (A) İyi huylu, (B) kötü huylu ve (C) Normal vakalar. Sıcak renkler (kırmızı) yüksek tanısal etkini simgeler; soğuk renkler (mavi) daha az dikkat çekmeyi gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Tüm Grad-CAM görüntüleri, modele verilen giriş görüntüsüne ek olarak gösterilir. Şekil 5, orijinal ultrason görüntüsü ve model giriş görüntüsünü gösterir; böylece yakın dikkat bölgelerinin tahminde dikkate alınan işlenmiş girdiyle doğrudan ilişkili olduğundan emin olur. Kanal bazında önem elde etmek için, Grad-CAM tahmin edilen sınıfın gradyanlarını nihai konvolüsyon katmanın özellik haritaları kullanılarak hesaplamak için kullanılır. Bu gradyanlar, ağırlık katsayılarını elde etmek için dünya çapında ortalanır ve ardından ilgili özellik haritalarıyla çarpılıp bir lokalizasyon ısı haritası (denklemler 16 ve 17) oluşturulur. Isı haritası daha sonra giriş çözünürlüğüne yükseltilir ve ultrason görüntüsünün üzerine konarak görüntüdeki tanısal ilgi alanlarını (örneğin tümör kenarları, doku değişiklikleri vb.) gösterir. Bu görselleştirme, modelde tahmin yapmak için kullanılan alanların mekansal anlayışını sunar. Bu makale, dikkatin yerelleştirilmesinin görsel analiziyle yorumlanabilirliğini ölçmektedir. Gelecekteki klinik önemliliğin doğrulanması için hâlâ değerli yollar olan lokalizasyon ve klinisyen temelli değerlendirmenin nicel ölçümlerini içermediler.

figure-protocol-20      

figure-protocol-21      

Grad-CAM, bir modelin görsel olarak nasıl çalıştığına dair tahminler, tahmine katkıda bulunan görüntü alanlarını vurgulayarak sunar. Isı haritaları, ağın tümör kenarları ve akustik desenleri içeren klinik açıdan ilgili yapılara odaklandığını doğrulamak için kullanılabilir. Yanlış alarmlarda, görselleştirmeler alakasız alanlara odaklanmayı fark etmeye, model değerlendirmesi ve optimizasyonuna yardımcı olabilir. Tıbbi özellikler ile modelin dikkati arasındaki bu tür bir uyum, yapay zeka destekli teşhisin yorumlanabilirliğini artırır. Şekil 6, GradCAM görselleştirmesini göstermektedir.

figure-protocol-22
Şekil 6: GradCAM görselleştirmesi. Sınıflandırma için önemli bölgeleri (kırmızı = yüksek, mavi = düşük) gösteren Grad-CAM ısı haritası; renk yoğunluğu özellik önemini gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Grad-CAM, sınıflandırma seçeneklerine en fazla katkı sağlayan görüntü bölgelerini vurgulayarak EfficientNet-B0 modelinin yorumlanabilirliğini artırmak için eklenmiştir. Ortaya çıkan ısı haritaları, tümör kenarları ve doku değişikliklerinin klinik olarak anlamlı yapılarını göstererek model tahminlerinin net analizini kolaylaştırır. Bu yüksek sınıflandırma doğruluğu ve görsel yorumlanabilirlik, önerilen çerçeveyi meme ultrason görüntülerinin analizinde güvenilirlik açısından güçlendirir.

7. İstatistiksel Analiz

Model, pozitif tahminlerin doğruluğunu ölçmek için hassasiyet gibi geniş bir ölçüt seti üzerinde değerlendirilir; modelin tüm ilgili vakaları belirlemedeki etkinliğinin bir ölçüsü olarak hatırlamak; ve F1 puanı, hassasiyet ve hatırlamanın harmonik ortalaması, toplam performansın dengeli bir ölçüsünü sağlar ve bunlar 18–21 denklemlerine göre matematiksel olarak hesaplanır.

figure-protocol-23      

figure-protocol-24      

figure-protocol-25      

figure-protocol-26      

Ortalama Mutlak Hata (MAE), tahminler ile gerçek değerler arasındaki ortalama mutlak farkı matematiksel olarak denklem 22'ye göre nicelleştirir.

figure-protocol-27      

Kök Ortalama Kare Hatası (RMSE), tahminlerin gerçek değerlerden ortalama sapmasını matematiksel olarak 23 denklemine göre hesaplar.

figure-protocol-28      

Ortalama Mutlak Hata (MAE), tahminler ile gerçek değerler arasındaki ortalama mutlak farkı matematiksel olarak 24 denklemine göre hesaplayarak niceler.

figure-protocol-29      

Kafa karışıklığı matrisi, gerçek pozitifler, gerçek negatifler, yanlış pozitifler ve yanlış negatiflerin sınıflara göre ayrıntılı bir şekilde dağılımı sağlamak için kullanılır ve modelin30'u nasıl sınıflandırdığına dair ek bilgi sağlar. Bu değerlendirme ölçümlerinin birleşimi, gözlemlenmemiş veriler üzerindeki model hatası, gücü ve genelleştirmenin genel bir değerlendirmesini sağlar ve böylece meme ultrasonunun görüntülerini sınıflandırmada güvenilir bir araç haline getirir. BUSI veri setinde lezyon maskelerinin bulunabilirliği, gelecekte açıklamanın doğruluğunu objektif olarak değerlendirmek için niceliksel lokalizasyon önlemlerinin, örneğin kesişim-birleşme ölçümünün getirilebileceğini gösterir. Sınıf dağılımını koruyan eğitim ve değerlendirme alt kümeleri arasındaki bağımsızlığı korumak için katmanlı bekletme doğrulaması seçilmişti. Çapraz doğrulama kullanılmamasının nedeni, doğrulama örneklerinin optimizasyon sürecine tekrar tekrar maruz kalmasını önlemekti; ancak gelecekteki çalışmalarda tekrarlanan veya iç içe çapraz doğrulama performanstaki farklılıkları daha da belirlemek için kullanılacaktır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Giriş boyutlarının 24 X 224 piksele standartlaştırılması ve ImageNet tabanlı normalizasyon, kayıp eğrilerinin kararlı eğitim davranışını ve düzgün yakınsamasını kolaylaştırdı. Maske kaplama işleminin eğitim örneklerine uygulanması, ham ultrason görüntülerine kıyasla lezyon sınırlarının görünürlüğünü önemli ölçüde artırdı. Bu gözlem, anatomik olarak yönlendirilen geliştirmenin özellik ayrılığını artırdığı hipotezini destekledi. Eğitim aşamasında bu örtüler kullanılırken, doğrulama ve test...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Önerilen çerçeve, gradient ağırlıklı Sınıf Aktivasyon Haritalama (Grad-CAM) ile entegre edilmiş ince ayarlanmış EfficientNet-B0 mimarisini kullanarak meme ultrason sınıflandırması için yüksek performanslı, yorumlanabilir bir sistem sağlamaktadır. Bu araştırma, "kara kutu" derin öğrenme modelleri ile klinik şeffaflık arasındaki boşluğu kapatarak bilimsel alanı ilerletiyor ve hesaplamalı verimliliğin açıklanabilirlik için feda edilmesi gerekmediğini gösteriyor40. Le...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarlar, çıkar çatışmaları olmadığını belirtirler.

Teşekkürler

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

Yazarlar, bu araştırma boyunca gösterdikleri sürekli destek ve teşvik için ilgili kurumlarına ve meslektaşlarına içten teşekkürlerini sunmak isterler. Yazarlar ayrıca, bu çalışmayı mümkün kılan halka açık veri setini sunan BUSI Meme Ultrason Veri seti yaratıcılarını takdir etmektedir. Bu çalışma, Suudi Arabistan'ın Riyad kentindeki Prenses Nourah bint Abdulrahman Üniversitesi Araştırmacı Destek Projesi numarası (PNURSP2026R432) tarafından desteklenmiştir. Yazarlar, King Khalid Üniversitesi Araştırma ve Lisansüstü Çalışmalar Dekanlığına, RGP2/749/46 hibe numarası kapsamında Büyük Grup Araştırması aracılığıyla bu çalışmayı finanse ettiği için teşekkürlerini iletmektedir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Meme Ultrasonografi Görüntüleri (BUSI Veri Kümesi)Yok780 PNG görüntüsü (487 İyihuylu, 210 Kötühuylu, 133 Normal)
MatplotlibMatplotlib GeliştiricileriYokSürüm 3.7.1
NumPyNumPy GeliştiricileriYokSürüm 1.23.5
NVIDIA Tesla T4 GPUNVIDIAYok16GB VRAM
OpenCVOpenCV.orgYokSürüm 4.7.0
Pillow (PIL)Python Imaging LibraryYokSürüm 9.4.0
PythonPython Software FoundationYokSürüm 3.9.12
PyTorchMeta AIYokSürüm 2.0.1+cu117
Scikit-learnScikit-learn GeliştiricileriYokSürüm 1.2.2
SeabornSeaborn GeliştiricileriYokSürüm 0.12.2
Ubuntu İşletim SistemiCanonicalYok64-bit

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

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

İlgili makaleler