降低基因病理学图像中的深度卷积激活特征 (R-DeCAF),以提高乳腺癌诊断的分类性能

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 病理学家对乳腺癌的诊断是耗时且主观的.
• 计算机辅助诊断 (CAD) 系统,特别是使用深 convolutional 神经网络 (CNNs) 的系统,提供自动分类来帮助病理学家.
• 从预训练CNN中提取的深卷积激活特征 (DeCAF) 是有价值的,但需要优化.

研究的目的:

• 调查尺寸缩小在优化DeCAF乳腺癌分类中的作用.
• 提出一个简化的DeCAF (R-DeCAF) 框架,以提高分类准确性和效率.
• 确定有效的尺寸缩小方法,以结合深度特征.

主要方法:

• 使用预训练CNN (AlexNet,VGG-16,VGG-19) 在转移学习模式中进行特征提取.
• 从第一个完全连接的层中提取DeCAF.
• 应用各种线性和非线性维度减小技术,重点是主要组件分析 (PCA),并使用支向量机 (SVM) 进行分类.

主要成果:

• 分析显示,并非所有DeCAF特征都能同等地提高精度,这凸显了尺寸缩小的重要性.
• 线性维度缩小,特别是PCA,证明了优越的能力,有效地结合深度特征.
• 拟议的R-DeCAF方法在特征向量大小 (FVS) 为23和累积解释差异 (CEV) 为0.15.的分类准确度中实现了高达4.3%的改进.

结论:

• 尺寸缩小在提高DeCAF用于乳腺癌分类的性能方面发挥着关键作用.
• R-DeCAF框架,特别是使用PCA,为计算机辅助乳腺癌诊断提供了更有效,更准确的方法.
• 这些发现表明,优化的特征选择可以显著提高计算病理学的诊断准确性.