SnapEnsemFS:用于结直肠癌组织学分析的基于组合的深度特征选择模型的快照
Soumitri Chattopadhyay1, Pawan Kumar Singh1, Muhammad Fazal Ijaz2
1Department of Information Technology, Jadavpur University, Jadavpur University Second Campus, Plot No. 8, Salt Lake Bypass, LB Block, Sector III, Salt Lake City, Kolkata, 700106, West Bengal, India.
Scientific reports
|June 19, 2023
概括
这项研究引入了一种新的深度学习框架,用于使用组织学图像自动检测结直肠癌. 该方法实现了高精度,改善了早期诊断,并可能减少手动分析负担.
科学领域:
- 在瘤学瘤学.
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 结肠直肠癌是癌症死亡的主要原因,需要早期诊断才能有效治疗.
- 用于结直肠癌查的组织学幻灯片的手动分析是耗时的,容易出现人为错误.
- 自动计算机辅助检测 (CAD) 系统可以提高癌症诊断的效率和准确性.
研究的目的:
- 开发和评估基于深度学习的自动化CAD框架,用于从组织图像中检测结直肠癌.
- 通过使用计算高效的快照组合技术与功能优化相结合,改进现有方法.
- 为医疗从业人员提供可视化解释的AI工具,用于结直肠癌查.
主要方法:
- 使用了一种新的快照组合方法,从卷积神经网络 (CNN) 的前最后一层中提取深层特征.
- 粒子集群优化 (PSO) 应用于提取的深层特征的维度降低,以减轻冗余性.
- 拟议的框架在公开的结直肠癌组织学数据集上使用五倍交叉验证方案进行了评估.
主要成果:
- 提出的方法实现了最高准确率97.60%和F1评分97.61%.
- 该框架在同一数据集上表现出优越的性能,与现有的最先进的方法相比.
- 类激活地图提供了视觉解释性,支持CAD系统的临床实用性.
结论:
- 开发的深度学习框架为自动化结直肠癌检测提供了高度准确和高效的解决方案.
- 快照组合方法与基于PSO的特征优化为传统组合方法提供了一个计算可行的替代方案.
- 可视化解释的CAD系统可以帮助医疗专业人员查结直肠组织学,帮助早期发现疾病.
