基于CNN的融合特征和手工制作的特征的混合模型,用于用于诊断恶性淋巴瘤的准确的组织病理图像分析
Mohammed Hamdi1, Ebrahim Mohammed Senan2, Mukti E Jadhav3
1Department of Computer Science, Faculty of Computer Science and Information System, Najran University, Najran 66462, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|July 14, 2023
概括
人工智能 (AI) 通过分析整个幻灯片图像 (WSI) 显著改善了早期恶性淋巴瘤诊断. 混合人工智能模型结合了深度学习和传统算法,实现了高精度,帮助病理学家更快,更可靠的诊断.
科学领域:
- 在瘤学瘤学.
- 生物医学图像处理技术
- 人工智能的人工智能
背景情况:
- 恶性淋巴瘤的诊断是具有挑战性的,因为不同的亚型和病理学家主观性.
- 组织病理学幻灯片的手动分析是耗时的,容易产生分歧.
- 来自活检的全片图像 (WSI) 提供了自动化分析的潜力.
研究的目的:
- 开发和评估人工智能驱动的策略,以准确和早期诊断恶性淋巴瘤.
- 通过利用深度学习和混合算法来改进当前的诊断方法.
- 提高诊断速度,减少淋巴瘤分类中的医生间变异性.
主要方法:
- 利用渐变向量流 (GVF) 来优化图像处理和淋巴细胞提取.
- 开发了混合系统,将深度学习 (DL) 网络 (MobileNet-VGG16,VGG16-AlexNet,MobileNet-AlexNet) 与XGBoost和决策树 (DT) 算法相结合.
- 雇佣群优化 (ACO) 用于特征融合和分类.
- 集成手工制作的特征 (颜色,形状,纹理) 与DL提取的特征进行增强分析.
主要成果:
- 在XGBoost网络中,利用MobileNet-VGG16的功能和手工制作的功能,实现了卓越的性能.
- 实现曲线下面积 (AUC) 为99.43%,准确率为99.8%,精度为99.77%,灵敏度为99.7%,特异性为99.8%.
- 混合人工智能模型在诊断准确性和效率方面取得了显著的改进.
结论:
- 人工智能,特别是结合DL和传统算法的混合系统,在早期恶性淋巴瘤检测中发挥着至关重要的作用.
- DL提取和手工制作特征的融合显著提高了分类模型的性能.
- 人工智能驱动的WSI分析为彻底改变瘤诊断提供了一个有希望的途径.
