MM-GLCM-CNN:一个基于多个尺度和多个层次的GLCM-CNN用于聚合物分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 区分恶性和良性病变对于有效的癌症管理和早期检测至关重要.
• 卷积神经网络 (CNN) 在医学成像中表现有前途,但需要大量的数据集,这些数据集通常无法用于病理基础真相.
• 小型,病理证明的数据集对训练准确的CNN模型进行病变诊断构成了挑战.

研究的目的:

• 开发一种CNN模型,能够从小型,病理证明的数据集中学习特征,以区分恶性和良性结肠多.
• 通过结合多尺度和多层次的纹理分析来增强特征提取.
• 利用有限的数据,提高CNN在病变分类中的诊断性能.

主要方法:

• 提出了一个基于多个尺度和多个层次的灰色层次共发生矩阵CNN (MM-GLCM-CNN) 模型.
• 利用灰色级别的同时发生矩阵 (GLCM) 来描述病变的异质性和纹理.
• 实现了一个自适应的多输入CNN框架与一个适应的重量网络的功能融合和改进.

主要成果:

• 在MM-GLCM-CNN的小结肠多重体数据集上,ROC曲线下的面积 (AUC) 达到93.99%.
• 在同一数据集上,与现有最先进的方法相比,表现出1.49%的性能提升.
• 验证了在有限的数据基础上将病变特征异质性纳入恶性瘤预测的有效性.

结论:

• MM-GLCM-CNN模型成功地使用小数据集的纹理特征来区分恶性和良性息肉.
• 该方法强调了病变异质在改善有限的病理数据的诊断准确性方面的重要性.
• 这种方法为基于CNN的病变诊断提供了可行的解决方案,当大型注释数据集不可用时.