使用预训练模型进行乳腺癌图像分类的MATLAB代码

这篇硕士论文代码是在瑞典隆德大学数学统计系撰写的补充，研究了使用Matlab 2017a编写和测试的乳腺癌患者预后分类的技术。为保护患者机密，没有提供数据。请在阅读代码前查阅相关论文。

该数据集包含用于预测乳腺癌肿瘤良恶性的数据，并已划分为训练集和测试集，可用于训练和评估机器学习模型。

JSADM是一项研究项目，专注于利用神经网络和各种数据挖掘算法来进行模式搜索。

MATLAB精确性验证脚本COMP9417项目：稳健支持向量机和乳腺癌分类提供了（a）所有代码文件和（b）如何使用它们的摘要。所有代码都按照与报告相对应的部分进行文件夹组织。第1节：数据预处理包含两个CSV文件在此文件夹中：data.csv（原始乳腺癌数据集）和processed_data.csv，这是处理后的数据集。通过运行preprocess.py文件构建处理后的数据集。您还可以选择添加命令行参数--plot True以获得数据集的相关热图。第2节：基本模型比较该processed_data.csv数据集再次包含在此处，以便于比较所需的运行。本节中的其他唯一代码是basic_models.py文件。该文件接受几种不同的命令行输入：--split splitVal：输入您自己的测试集拆分值（默认为0.2）作为float类型。--model m：输入'DT'、'GNB'、'NN'、'SVM'或'ALL'字符串以在数据集上测试特定模型（默认为'ALL'）。--search b：输入布尔类型以开启搜索。

开发一个精确的系统来分析乳腺癌图像数据，可以增强医生的诊断信心，并可用于扫描临床数据库中的所有历史扫描结果，以评估患者的风险。模糊逻辑系统能够建立准确近似人类专业知识的知识库和规则库，有助于医生例行诊断乳腺癌。遗传算法通过使用数据子集学习最佳模糊逻辑系统的隶属函数和规则库，增强系统在特定数据集上的表现。

PyTorch 平台上的深度学习模型，用于图像超分辨率：FSRCNN 包含网络模型、训练代码、测试代码、评估代码和预训练权重 评估代码可计算 RGB 和 YCrCb 空间下的 PSNR 和 SSIM

Inception-ResNet-v2是一个已经在ImageNet数据库子集上训练过的预训练模型。该模型包含825层，经过超过一百万张图像的训练，能够将图像分类为1000个不同的对象类别，例如键盘、鼠标、铅笔以及多种动物。要安装该模型，请从您的操作系统或MATLAB中打开inceptionresnetv2.mlpkginstall文件，并按照安装指南进行操作。使用示例： net = inceptionresnetv2() % 创建网络实例 % 读取图像以进行分类 I = imread('peppers.png'); % 裁剪图像以适应网络输入大小 sz = net.Layers(1).InputSize; I = I(1:sz(1), 1:sz(2), 1:sz(3)); % 使用Inception-ResNet-v2进行图像分类 labels = classify(net, I); % 显示图像及其分类结果。

本代码利用已训练的BP神经网络模型文件 (ANN.mat) 对新的数据集进行预测，计算预测值与真实值的均方误差，并绘制两者对比图以可视化预测结果。

循环肿瘤细胞是从原发肿瘤处分离并迁移到骨髓或其他组织的细胞，能够启动远处转移。近几十年来，液体活检成为新兴工具，用于检测患者血液中的循环肿瘤细胞。流式细胞仪作为液体活检诊断的重要工具，本研究通过健康个体样本作为对照，盲目地评估其在乳腺癌患者中CTC检测的敏感性和特异性。统计分析结果显示，曲线下面积达到86.9％，表明该方法在乳腺癌诊断中具有显著前景。