深度转移学习用于IDC乳腺癌检测,使用快速AI技术和Sqeezenet架构
Sushovan Chaudhury1, Kartik Sau1, Muhammad Attique Khan2
1University of Engineering and Management, Kolkata, Department of Computer Science and Engineering, University Area, Plot No. III, B/5, New Town Rd, Action Area III, Newtown, Kolkata, West Bengal 700160, India.
Mathematical biosciences and engineering : MBE
|June 16, 2023
概括
这项研究使用转移学习和轻量级SqueezeNet模型自动化乳腺癌组织学分析. 该方法在组织样本中成功分类了侵入性导管癌 (IDC),提高了诊断效率.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 组织学对于乳腺癌的鉴定至关重要,它可以区分恶性和良性组织.
- 自动化组织学分析可以提高诊断的准确性和效率.
研究的目的:
- 开发一种自动化方法来对乳腺癌组织学图像中的侵入性导管癌 (IDC) 进行分类.
- 为此分类任务利用轻量级卷积神经网络 (CNN) 架构的转移学习.
主要方法:
- 使用转移学习方法与SqueezeNet架构,CNN的一个变体.
- 通过使用FastAI实施了采用单周期策略的歧视性微调.
- 集成梯度色彩激活映射 (Grad CAM) 和图像彩色用于改善结果.
主要成果:
- 证明了微调SqueezeNet用于医学图像分析的有效性.
- 在将通用图像特征转换为乳腺癌组织学分类方面取得了令人满意的结果.
- 展示了轻量级CNN在IDC分类自动化中的潜力.
结论:
- 在SqueezeNet架构上转移学习是自动化IDC分类的可行策略.
- 提出的方法有望通过数字病理学提高乳腺癌诊断的效率和准确性.
