This paper addresses the research question of whether machine learning (Machine Learning (ML)) models can be used to categorize breast cancer stages reliably. For this purpose, the possibility of determining the stages of breast cancer with sufficient accuracy will be investigated. The use of artificial intelligence in healthcare offers a broad range of new opportunities. Various kinds of analytics are already being widely trialed and can help to reduce fault diagnostics.
The purpose of this paper is to develop a possible solution that can assist in the diagnosis of breast cancer. By that, the aim is not to replace doctors ltogether. Rather, this solution is intended to provide physicians with a means of assisting in the derivation of appropriate treatment methods. Today, especially in regard to the current Corona pandemic, it is more important than ever to reduce the burden on healthcare workers.
Inhaltsverzeichnis
- 1 Introduction
- 1.1 Objective
- 2 Fundamentals
- 2.1 Breast cancer detection
- 2.1.1 Breast exam
- 2.1.2 Mammogram
- 2.1.3 Breast ultrasound
- 2.2 Image recognition
- 2.3 TensorFlow & Keras
- 2.3.1 TensorFlow
- 2.3.2 Keras
- 3 Methodology
- 3.1 CRISP-DM
- 4 Technical realization
- 4.1 Architecture
- 4.2 Data understanding
- 4.3 Data preprocessing
- 4.4 Functions for creating and evaluating ML models
- 4.4.1 ModelMaker Class
- 4.4.2 ModelEvaluator class
- 4.5 Evaluation of the ML models
- 5 Critical view and Conclusion
Zielsetzung und Themenschwerpunkte
Diese Arbeit beschäftigt sich mit der Klassifizierung von Brustkrebsstadien mithilfe eines Convolutional Neural Networks (CNN). Das Ziel ist es, ein präzises und effizientes Modell zu entwickeln, das die Diagnose und Behandlung von Brustkrebs unterstützt.
- Klassifizierung von Brustkrebsstadien
- Convolutional Neural Networks (CNNs)
- Bildverarbeitung und Mustererkennung
- Maschinelles Lernen (ML)
- Bewertung und Optimierung von ML-Modellen
Zusammenfassung der Kapitel
- Kapitel 1: Introduction: Dieses Kapitel liefert eine Einleitung zum Thema Brustkrebs und die Bedeutung der frühzeitigen Diagnose. Es stellt die Zielsetzung der Arbeit und den methodischen Ansatz vor.
- Kapitel 2: Fundamentals: Dieses Kapitel beleuchtet die Grundlagen der Brustkrebsdetektion, die Bildverarbeitung, und die verwendeten Frameworks TensorFlow & Keras. Es beschreibt die relevanten Methoden und Technologien für die Entwicklung des CNN-Modells.
- Kapitel 3: Methodology: Dieses Kapitel beschreibt die Methodik, die für die Entwicklung und Bewertung des Modells eingesetzt wurde. Es wird der CRISP-DM-Prozess vorgestellt, der als Rahmenwerk für das Datenmining dient.
- Kapitel 4: Technical realization: Dieses Kapitel erläutert die technische Umsetzung des CNN-Modells, einschließlich der Architektur, der Datennutzung und der Verarbeitung. Es präsentiert die Funktionen für die Erstellung und Bewertung von ML-Modellen.
Schlüsselwörter
Die Arbeit konzentriert sich auf die Schlüsselthemen Brustkrebs, Convolutional Neural Networks (CNNs), Machine Learning (ML), Bildverarbeitung, Datenanalyse, CRISP-DM, TensorFlow, Keras und Modellbewertung. Die Arbeit untersucht die Anwendung von Deep-Learning-Technologien in der medizinischen Diagnostik, insbesondere bei der Klassifizierung von Brustkrebsstadien.
- Quote paper
- Marlene Depper (Author), 2020, Can machine learning models be used to categorize breast cancer stages reliably?, Munich, GRIN Verlag, https://www.grin.com/document/1254158