卷积神经网络和LightGBM算法的高效组合用于肺癌组织病理学分类
Esraa A-R Hamed1, Mohammed A-M Salem2, Nagwa L Badr1
1Faculty of Computer and Information Sciences, Ain Shams University, Cairo 11566, Egypt.
Diagnostics (Basel, Switzerland)
|August 12, 2023
概括
这项研究引入了一种新的深度学习方法,用于使用组织病理学图像进行肺癌诊断. 结合的卷积神经网络 (CNN) 和光梯度增强模型 (LightGBM) 实现了99.6%的准确性,改善了肺组织的分类.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 医疗成像医学成像
背景情况:
- 肺癌是导致死亡的主要原因之一.
- 通过活检进行组织病理图像分析对于准确诊断至关重要.
- 深度学习在医学图像分析方面表现有前途.
研究的目的:
- 开发一种有效的方法来识别和分类肺组织组织病理学图像.
- 将一个新的卷积神经网络 (CNN) 模型与一个增强的光梯度增强模型 (LightGBM) 分类器相结合.
主要方法:
- 图像预处理,然后使用建议的CNN模型采用最小参数进行特征提取.
- 使用多线程LightGBM模型对肺组织进行分类.
- 对LC25000数据集的评估.
主要成果:
- 在肺组织分类中达到99.6%的准确度和灵敏度.
- 拟议的CNN模型仅使用100万个参数.
- 功能提取在一秒钟内完成,证明了快速处理.
结论:
- 这种新的混合深度学习方法显著提高了肺癌诊断的准确性.
- 该方法为现有最先进的技术提供了更快,更有效的替代方案.
- 这项技术显示了改善肺癌检测临床工作流程的潜力.
