Каждый год у 182 000 женщин диагностируется рак молочной железы, а 43 300 умирают. У одной женщины из восьми (1/8) в течение жизни разовьется или разовьется рак молочной железы. При раннем обнаружении пятилетняя выживаемость превышает 95%. Маммография является золотым стандартом для выявления ранних признаков рака молочной железы, что может помочь вылечить заболевание на ранних стадиях. Однако неправильные маммографические диагнозы распространены и могут нанести вред пациентам из-за ненужного лечения и операций (или отсутствия лечения). Таким образом, системы, которые могут научиться обнаруживать рак молочной железы самостоятельно, могут помочь уменьшить количество неправильных интерпретаций и упущенных случаев, возникающих из-за невыполнения врачом ответственности за интерпретацию изображений рака молочной железы для выявления потенциальных аномалий и их категоризации в отношении роста. В этой диссертации представлены этапы проектирования для разработки нового, надежного и экономичного диагностического и прогностического инструмента для рака молочной железы с использованием передовых методов машинного обучения (ML). Цель состоит в том, чтобы разработать онлайн-автоматизированный процесс, который экспертно каталогизирует подозрительные области на медицинском изображении, тем самым дополняя и очеловечивая способность врача выявлять аномалии. Я представляю DiagnoseCloud, веб-приложение для компьютерного обнаружения, которое соответствует потребностям САПР в скрининге рака молочной железы для повышения качества изображения и обнаружения аномалий в различных модальностях, связанных со скринингом рака. Точность 86,08% в конечном итоге была достигнута в наборе данных мини-MIAS с помощью метода переноса обучения на предварительно обученных весах ImageNet архитектуры VGG, примененных к набору данных, для формирования полностью связанных слоев нейронной сети моделей.
