Multi-CNN Deep Feature Fusion and Stacking Ensemble Classifier for Breast Ultrasound Lesion Classification.
Objective: To develop and validate a robust machine learning model for classifying breast ultrasound images into benign, malignant, and normal categories, aiming to enhance diagnostic accuracy using advanced feature extraction and ensemble learning techniques. Methods: A dataset comprising 2233 imag...
| Publicado en: | Forbes Journal of Medicine Vol. 6; no. 2; pp. 147 - 156 |
|---|---|
| Autores principales: | , |
| Formato: | research tables/charts Journal Article |
| Publicado: |
Galenos Yayinevi Tic. LTD. STI
Aug2025
|
| Acceso en línea: | Ver este registro en EBSCOhost |
| Sumario: | Objective: To develop and validate a robust machine learning model for classifying breast ultrasound images into benign, malignant, and normal categories, aiming to enhance diagnostic accuracy using advanced feature extraction and ensemble learning techniques. Methods: A dataset comprising 2233 images from five public datasets was utilized. After masking regions of interest, deep features were extracted using pre-trained VGG16, ResNet50V2, and EfficientNetB3 models, and concatenated. A multi-step feature selection process involving principal component analysis, recursive feature elimination with LightGBM, and partial least squares discriminant analysis was applied. A stacking ensemble classifier, integrating LightGBM, XGBoost, CatBoost, and random forest with a logistic regression meta-learner, was trained using 5-fold cross-validation on a 75% training set (balanced with synthetic minority oversampling technique), and evaluated on a 25% test set. Results: The model achieved a macro average area under the curve-receiver operating characteristic (AUC-ROC) of 0.956 and an F1-score of 0.88 on the test set. Benign class results were AUC: 0.984, F1: 0.93, and normal class results were AUC: 0.969, F1: 0.92. The results for the malignant class were AUC: 0.916, F1 score: 0.79. Feature importance analysis showed that ResNet50V2 had the highest contribution to the model’s performance. Conclusion: The proposed approach, combining multi-convolutional neural network deep feature fusion, optimized feature selection, and ensemble stacking, shows significant potential for automated breast ultrasound classification, especially for benign and normal cases. While promising for clinical decision support, the model’s lower sensitivity for malignant lesions necessitates further refinement. Amaç: Gelişmiş özellik çıkarma ve topluluk öğrenmesi teknikleri kullanarak tanısal doğruluğu artırmayı hedefleyen, meme ultrason görüntülerinin benign, malign ve normal kategorilerine sınıflandırılması için güçlü bir makine öğrenmesi modeli geliştirmek ve doğrulamaktır. Yöntem: Beş halka açık veri setinden oluşan 2233 görüntülük bir veri seti kullanılmıştır. İlgili bölgeler maskelendikten sonra, önceden eğitilmiş VGG16, ResNet50V2 ve EfficientNetB3 modelleri kullanılarak derin özellikler çıkarılmış ve birleştirilmiştir. Temel bileşen analizi, LightGBM ile özyinelemeli özellik eleme ve kısmi en küçük kareler ayırt edici analizi içeren çok adımlı bir özellik seçme süreci uygulanmıştır. Lojistik regresyon meta-öğrenicisi ile LightGBM, XGBoost, CatBoost ve random forest’ı entegre eden bir yığınlama topluluk sınıflandırıcısı, %75’lik (sentetik azınlık aşırı örnekleme tekniği ile dengelenmiş) eğitim seti üzerinde 5-fold cross-validation kullanılarak eğitilmiş ve %25’lik test seti üzerinde değerlendirilmiştir. Bulgular: Model, test seti üzerinde makro ortalama işlem karakteristik eğrisi altındaki alan (EAA) değeri 0,956 ve F1 skoru 0,88 elde etmiştir. Benign sınıf sonuçları EAA: 0,984, F1: 0,93 ve normal sınıf sonuçları EAA: 0,969, F1: 0,92. Malign sınıf sonuçları EAA: 0,916, F1: 0,79. Özellik önem analizi ResNet50V2’nin en yüksek katkıyı sağladığını göstermiştir. Sonuç: Çoklu evrişimli sinir ağları derin özellik birleştirme, optimize edilmiş özellik seçimi ve topluluk yığınlamayı birleştiren önerilen yaklaşım, özellikle benign ve normal olgular için otomatik meme ultrason sınıflandırması açısından önemli bir potansiyel göstermektedir. Klinik karar desteği için umut verici olmakla birlikte, modelin malign lezyonlar için daha düşük duyarlılığı, daha fazla iyileştirme gerektirmektedir. |
|---|