Диагностика рака молочной железы с помощью сверточной нейронной сети и усовершенствованного алгоритма оптимизации теплового обмена

Рак молочной железы — распространённое во всём мире заболевание, и его ранняя диагностика может существенно повысить эффективность лечения. Применение методов обработки изображений и распознавания образов для автоматического выявления рака молочной железы на маммограммах снижает вероятность ошибок, связанных с человеческим фактором, и ускоряет диагностику. В настоящей работе маммографические изображения анализировали с использованием методов обработки изображений и конвейера для диагностики злокачественных образований. На первом этапе улучшали качество маммограмм и контраст патологических участков с помощью повышения контрастности и шумоподавления. Затем для сегментации изображений применяли метод, основанный на цветовом пространстве, после чего использовали математическую морфологию. Для извлечения признаков применяли комбинированный метод на основе матрицы совместной встречаемости уровней серого (GLCM) и дискретного вейвлет-преобразования (DWT). Наконец, для классификации признаков использовали новую оптимизированную версию сверточной нейронной сети (CNN) и усовершенствованный метаэвристический алгоритм, получивший название Advanced Thermal Exchange Optimizer. Для оценки превосходства предложенного метода сравнили результаты его моделирования с результатами трёх методов, описанных в литературе, на базе данных маммограмм MIAS. Точность диагностики случаев рака с помощью предложенного метода на базе MIAS составила 93,79%; чувствительность и специфичность — 96,89 и 67,7% соответственно.