深度学习和基于专家知识的特征提取和性能评估在乳腺组织病理学图像图像

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 计算机科学 计算机科学

背景情况:

• 癌症诊断依赖于分析组织病理学图像以检测异常细胞生长.
• 使用基于知识或深度学习方法的计算机辅助检测 (CAD) 系统对于提高诊断准确性至关重要.
• 从组织病理学图像中有效地提取特征对于CAD系统的性能至关重要.

研究的目的:

• 评估和比较三种不同的特征提取方法的性能,以诊断乳腺癌.
• 评估卷积神经网络 (CNN),VGG16转移学习和基于知识的系统在识别癌症组织中的有效性.
• 在与各种分类算法相结合时,确定最佳特征提取技术.

主要方法:

• 采用了三种特征提取技术:卷积神经网络 (CNN),VGG16转移学习架构和基于知识的系统.
• 提取的特征使用七种不同的分类器进行了测试:神经网络 (64个单位),随机森林,多层感知器,决策树,支持矢量机器,K-最近邻居和狭窄神经网络 (10个单位).
• 用BreakHis 400× 组织病理学图像数据集进行性能评估.

主要成果:

• 在与神经网络和随机森林分类器配对时,CNN方法达到85%的最大精度.
• VGG16转移学习方法在神经网络分类器中达到高达86%的准确性.
• 基于知识的特征提取方法表现出卓越的性能,通过神经网络,随机森林和多层感知器分类器达到高达98%的准确性.

结论:

• 基于知识的特征提取显著优于深度学习方法 (CNN,VGG16) 在使用BreakHis数据集诊断乳腺癌.
• 基于知识的特征和分类器的组合,如神经网络,随机森林或多层感知器,为基于组织病理的癌症检测提供了高度准确的方法.
• 对基于知识的系统的进一步研究可能会导致更强大,更准确的计算机辅助诊断工具用于瘤学.