Methodology for the integration of different deep learning-based models for the detection of lesions in screening mammography.
الملخص
Los modelos de aprendizaje profundo han demostrado su potencial para la detección del cáncer de mama en mamografías de cribado. Existen muchas arquitecturas de aprendizaje y métodos de entrenamiento que realizar tareas de detección, clasificación y/o localización. Sin embargo, la implementación y validación de estos plantea serias dudas sobre la reproducibilidad de los resultados. Este trabajo, se intereza en la integración de diferentes modelos para la detección de cáncer de mama. Para ello, construimos un conjunto de datos independiente, para analizar la reproducibilidad de los modelos, y realizar diferentes experimentos para su integración. Este trabajo incluye tres etapas. Primero, se realiza una evaluación comparativa de 5 modelos de cribado para la detección. Segundo, se realiza un análisis de saliencia para estudiar la relación entre las capacidades de detección y localización de lesiones de estos. Y por último, se prueban métodos de integración. Los resultados sugieren que el desempeño en saliencia no es un predictor preciso del rendimiento de un algoritmo en la detección de cáncer de mama. Por esto, la integración se basó únicamente en el procesamiento de las predicciones individuales de cada modelo. Así, el mejor de los resultados se obtuvo con regresión logística mediante validación cruzada, con un rendimiento de AUC = 0.841 (IC 95\%: 0.759-0.923) a nivel de mama.
الكلمات المفتاحية
غير متوفر
التخصصات
رسائل وأطاريح مشابهة
- GENERALIZING MEDICAL IMAGE SEGMENTATION TASK WITH EFFICIENT DEEP LEARNING MODELS Abel A. Reyes-Angulo · Michigan Technological University · 2025
- Deep Learning-Based Medical Image Analysis for Enhanced Diagnosis and Severity Assessment of Viral Pneumonia Enshaei, Nastaran · Concordia University · 2025
- Quantifying Uncertainty in Deep Learning-based medical image segmentation Benjamin Lambert · 2023
- Distributed Intelligence for 3D Object Tracking in Autonomous Vehicles, A Multi-Sensor Approach to Object Tracking and Planning for Self-Driving Cars, Real-Time 3D Perception and Path Planning in Autonomous Systems,,Vision-Based Localization and Distributed Architecture for Driverless Cars,A Hybrid Deep Learning Framework for Object Detection and Trajectory Planning in Autonomous Vehicles Manas Madine · University of Massachusetts Amherst · 2023
- Semi-Supervised Deep Learning using Consistency-Based Methods for Segmentation of Medical Images Axel Rönnberg · KTH Royal Institute of Technology · 2020
- Supervised learning-based multimodal MRI brain image analysis Mohammadreza Soltaninejad · University of Lincoln · 2017
