A study on Deep Convolutional Neural Networks, Transfer Learning and Ensemble Model for Breast Cancer Detection

要約

深層学習では、転移学習およびアンサンブル モデルが、コンピューター支援による疾患診断の改善に有望であることが示されています。
ただし、転移学習とアンサンブル モデルの適用はまだ比較的限定的です。
さらに、アンサンブル モデルの開発はその場限りであり、冗長なレイヤーを見落とし、不均衡なデータセットと不適切な拡張に悩まされます。
最後に、乳がんの検出と分類のために、重要な深層畳み込みニューラル ネットワーク (D-CNN) が導入されました。
それでも、既存の CNN アーキテクチャの精度と効率を調査するために実施された比較研究はほとんどありません。
このギャップを認識したこの研究では、乳がんの検出における、オリジナルの CNN、転移学習、アンサンブル モデルを含む D-CNN のパフォーマンスを比較します。
この論文の比較研究は、6 つの CNN ベースの深層学習アーキテクチャ (SE-ResNet152、MobileNetV2、VGG19、ResNet18、InceptionV3、および DenseNet-121)、転移学習、および乳がん検出に関するアンサンブル モデルを使用した比較で構成されています。
これらのモデルの比較の中で、アンサンブル モデルは、乳がんの検出と分類において 99.94% という最も高い検出と分類の精度を提供します。
ただし、転移学習では元の SE-ResNet152、MobileNetV2、VGG19、ResNet18、InceptionV3、および DenseNet-121 モデルの精度が向上しなかったため、この研究では転移学習の場合にも否定的な結果が得られました。
CNN を使用した乳がんの検出と分類の精度が高いことは、CNN モデルが乳がん疾患の検出に有望であることを示唆しています。
この研究は、生体医工学、コンピュータ支援疾患診断、ML ベースの疾患検出において重要です。

要約(オリジナル)

In deep learning, transfer learning and ensemble models have shown promise in improving computer-aided disease diagnosis. However, applying the transfer learning and ensemble model is still relatively limited. Moreover, the ensemble model’s development is ad-hoc, overlooks redundant layers, and suffers from imbalanced datasets and inadequate augmentation. Lastly, significant Deep Convolutional Neural Networks (D-CNNs) have been introduced to detect and classify breast cancer. Still, very few comparative studies were conducted to investigate the accuracy and efficiency of existing CNN architectures. Realising the gaps, this study compares the performance of D-CNN, which includes the original CNN, transfer learning, and an ensemble model, in detecting breast cancer. The comparison study of this paper consists of comparison using six CNN-based deep learning architectures (SE-ResNet152, MobileNetV2, VGG19, ResNet18, InceptionV3, and DenseNet-121), a transfer learning, and an ensemble model on breast cancer detection. Among the comparison of these models, the ensemble model provides the highest detection and classification accuracy of 99.94% for breast cancer detection and classification. However, this study also provides a negative result in the case of transfer learning, as the transfer learning did not increase the accuracy of the original SE-ResNet152, MobileNetV2, VGG19, ResNet18, InceptionV3, and DenseNet-121 model. The high accuracy in detecting and categorising breast cancer detection using CNN suggests that the CNN model is promising in breast cancer disease detection. This research is significant in biomedical engineering, computer-aided disease diagnosis, and ML-based disease detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google