Wykorzystanie metod fractalnych w sieciach neuronowych do wykrywania nowotworów piersi

Rak piersi jest najczęstszym typem nowotworu wśród kobiet i drugim najczęstszym nowotworem ogółem. Wczesne wykrywanie pozostaje kluczowym czynnikiem poprawiającym wyniki leczenia pacjentów, ponieważ pomaga w podejmowaniu decyzji dotyczących leczenia i ostatecznie zmniejszającym śmiertelność. Tradycyjne metody diagnostyczne, choć skuteczne, są często czasochłonne, wymagają dużych nakładów i są podatne na błędy ludzkie. Stwarza to pilną potrzebę stworzenia niezawodnych, zautomatyzowanych narzędzi, które mogą pomóc lekarzom w identyfikowaniu podejrzanych przypadków z większą wydajnością.W ostatnich latach metody uczenia głębokiego okazały się bardzo obiecujące w analizie obrazów medycznych, szczególnie w zadaniach związanych z wykrywaniem nowotworów. Sieci neuronowe typu konwolucyjnego (CNN) stały się standardowym podejściem do klasyfikacji obrazów. Ze względu na fraktalną naturę struktury biologicznej pojawia się pytanie. Co by było, gdybyśmy wykorzystali fraktalne cechy obserwowanych zmian, aby lepiej je zrozumieć, przeanalizować i sklasyfikować? Niniejsza praca bada skuteczność takiego podejścia. W tym celu zaprojektowano i wdrożono fraktalną sieć neuronową — hybrydę łączącą najlepsze cechy tradycyjnej klasyfikacji i uczenia głębokiego. W nadzieji, że podejście to poprawi działanie systemu automatycznego wykrywania nowotworów i ostatecznie przyczyni się do ratowania życia.

Breast cancer is the most common type of cancer among women and the second most common overall. Early and accurate detection remains a crucial factor in improving patient outcomes, guiding treatment decisions, and ultimately reducing mortality rates. Traditional diagnostic methods, while effective, are often time-consuming, resource-intensive, and subject to human error. This creates a pressing need for reliable, automated tools that can assist clinicians in identifying suspicious cases with higher consistency and efficiency.In recent years, deep learning methods have shown significant promise in medical image analysis, particularly in cancer detection tasks. Convolutional Neural Networks (CNNs) have become a standard approach for image classification. Due to the fractal nature of biological structure, a question arises. What if we used the fractal characteristics of the observed lesions to better understand, analyze, and classify them? This work examines the effectiveness of this approach. To this end, a Fractal Neural Network was designed and implemented—a hybrid combining the best features of traditional classification and deep learning. With the hope that this approach will improve the automatic cancer detection system and ultimately contribute to saving lives.