隐私保护 宫癌检测使用卷积神经网络 应用于巴氏涂片图像
Shtwai Alsubai1, Abdullah Alqahtani1, Mohemmed Sha1
1College of Computer Engineering and Sciences, Prince Sattam Bin Abdulaziz University, Al-Kharj, Saudi Arabia.
Computational and mathematical methods in medicine
|July 17, 2023
概括
这项研究引入了一个卷积神经网络 (CNN) 来从巴氏涂片图像中分类宫细胞,达到91.13%的准确性. 这种人工智能驱动的方法提高了早期宫癌检测,提高了诊断速度并降低了成本.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 手动检查巴氏涂片片是耗时的,容易出错的,昂贵的.
- 准确的宫细胞分类对于早期发现宫癌至关重要.
- 图像处理和机器学习为自动化分析提供了潜力.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 用于自动化宫细胞分类.
- 使用巴氏涂片图像来区分健康,癌前和良性宫细胞.
- 提高宫癌查的效率和准确性.
主要方法:
- 利用公开可用的SIPaKMeD数据集,其中包含五种宫细胞类别.
- 应用图像细分到巴氏涂抹图像.
- 开发了一个深度CNN,具有四个卷积层,用于增强细胞图像分类.
主要成果:
- 拟议的CNN在分类宫细胞方面实现了91.13%的准确性.
- 该模型成功地区分了健康,癌前和良性宫细胞.
- 对于宫细胞分类而言,CNN架构是简单而有效的.
结论:
- 开发的CNN模型为宫细胞分类提供了更快,更准确的方法.
- 这种方法可以显著减少诊断时间和计算成本.
- 该模型为未来的研究提供了基础,以提高宫癌预测准确度.
