使用深度学习对乳腺癌患者组织病理图像的分类:比较分析
Louie Antony Thalakottor1, Rudresh Deepak Shirwaikar2, Pavan Teja Pothamsetti1
1Department of Information Science and Engineering, Ramaiah Institute of Technology (RIT), 560054, India.
Critical reviews in biomedical engineering
|August 15, 2023
概括
深度学习模型可以从组织病理学图像中自动检测乳腺癌,提高诊断速度和准确性. DenseNet201模型实现了91.3%的准确性,显示了取代手动分析的前景.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 人工智能的人工智能
背景情况:
- 早期癌症检测显著提高了生存率.
- 针对乳腺癌活检的组织病理学幻灯片的手动分析是耗时的.
- 自动化技术显示出更快,更准确地检测异常的潜力.
研究的目的:
- 评估深度学习模型的性能,用于在组织病理学图像中自动检测乳腺癌.
- 为了比较不同卷积神经网络 (CNN) 模型对乳腺癌组织分类的准确性.
主要方法:
- 利用了BreakHis乳腺癌基因病理图像数据库.
- 采用了三种CNN模型:VGG19,DenseNet201和ResNet50V2.2. 这三种模型是VGG19和ResNet50V2.2.
- 处理图像以增强功能,对其进行分类,并评估算法准确性.
主要成果:
- 与VGG19和ResNet50V2.2.相比,DenseNet201模型表现出优越的性能.
- 在检测异常时,DenseNet201的分类准确率为91.3%.
- 该研究提供了基于CNN的机器学习技术的比较分析.
结论:
- 深度学习算法,特别是CNN,显示出自动化乳腺癌诊断的巨大潜力.
- 该DenseNet201模型提供了一个有前途的替代手动组织病理学分析.
- 基于人工智能的方法的进一步开发可能会彻底改变乳腺癌检测和患者的治疗结果.
