宫内皮质新生病从准备好的数字组织学图像进行分级
Bríd Brosnan1, Inna Skarga-Bandurova1, Tetiana Biloborodova2
1Oxford Brookes University, UK.
Studies in health technology and informatics
|June 30, 2023
概括
这项研究提出了一种自动化方法,用于诊断宫内皮质瘤 (CIN),使用对组织学图像的深度学习. 综合方法实现了94.57%的准确性,改善了宫癌的诊断.
科学领域:
- 数字病理学数字病理学
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
背景情况:
- 宫内皮质瘤 (CIN) 的诊断依赖于他的病理学.
- 从数字组织学图像中自动化CIN分级对于有效的癌症查至关重要.
- 目前的方法需要专家解释,导致潜在的变化.
研究的目的:
- 开发和评估用于自动化CIN诊断的综合深度学习方法.
- 为了确定最佳的卷积神经网络 (CNN) 架构来分类上皮层补丁.
- 为准确的组织学样本分级合并补丁级预测.
主要方法:
- 七个CNN架构被评估为分类上皮质补丁.
- 最好表现的CNN被选中进行进一步分析.
- 应用了三种融合方法来结合补丁预测.
- 一个整体模型整合了CNN分类器和最佳融合方法.
主要成果:
- 模型组合实现了94.57%的诊断准确度.
- 这种表现超过了现有的宫癌组织病理学最新分类器.
- 该研究确定了用于CIN诊断的最佳深度学习模型和融合技术.
结论:
- 拟议的综合方法在自动化CIN诊断中表现出高准确性.
- 这项工作推进了对宫癌数字组织病理学图像的自动化分析.
- 在自动化CIN诊断方面进行进一步的研究可以从这种方法中受益.
