富里埃图形图和深度学习使用乳腺癌组织病理图像分类
Leena Thomas1,2,3, M K Sheeja1,2
1Department of Electronics & Communication Engineering, Sree Chitra Thirunal College of Engineering, Thiruvananthapuram, Kerala, India.
Journal of biophotonics
|June 10, 2023
概括
这项研究引入了一种新的方法,它结合了富里埃图谱 (FP) 和深度学习,用于准确的乳腺癌组织图像分类. 该方法增强了瘤检测,在识别恶性生长方面表现优于传统方法.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 生物医学工程 生物医学工程
背景情况:
- 精确分类乳腺癌组织图像对于检测恶性瘤至关重要.
- 组织病理图像分析在自动化和精确诊断方面存在挑战.
- 现有的方法可能缺乏可靠临床应用所需的准确性.
研究的目的:
- 开发和评估乳腺癌组织病理学图像的自动分类系统.
- 整合富里埃图形 (FP) 与深度学习进行增强的图像分析.
- 为了提高恶性瘤检测的准确性和效率.
主要方法:
- 利用里埃图形 (FP) 来从低分辨率多视图图像中重建高分辨率复杂全息图.
- 采用代检索与FP约束用于全息图重建.
- 实现特征提取,包括,几何和纹理特征,以为基础的规范化.
- 开发了一个增强的神经网络 (ENDNN),用于将乳腺癌图像分类为正常或异常.
主要成果:
- 提出的方法成功地将乳腺癌图像分为正常或异常类别.
- 使用基于的规范化的特征提取和优化提高了分类性能.
- 实验结果表明,所介绍的技术在准确性方面超过了传统方法.
- FP和深度学习的整合为详细分析提供了高分辨率的图像.
结论:
- 富里埃图谱和深度学习方法的结合为准确的乳腺癌组织图像分类提供了一个强大的工具.
- 具有优化的特征的ENDNN模型显示出在改善组织病理学诊断准确性的巨大潜力.
- 这种技术比传统的乳腺癌检测方法更有前途.
