对癌症图像分类中的深度学习模型的H&E污点规范化的影响:性能,复杂性和权衡
Nuwan Madusanka1, Pramudini Jayalath2, Dileepa Fernando3
1Digital Healthcare Research Center, Pukyong National University, Busan 48513, Republic of Korea.
Cancers
|August 26, 2023
概括
血素和氨酸 (H&E) 染色正常化显著提高了癌症图像分类的深度学习模型性能. 像MobileNet和Xception这样的不那么复杂的模型在正常化后显示出高效率和精度.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 医学中的人工智能
背景情况:
- 准确的癌症图像分类对于诊断和治疗至关重要.
- 深度学习 (DL) 模型显示出潜力,但对血素和乙素 (H&E) 染色变异敏感.
研究的目的:
- 调查H&E染色正常化对DL模型癌症图像分类性能的影响.
- 确定最佳的DL模型和规范化策略,以实现可靠和高效的癌症诊断.
主要方法:
- 在H&E染色癌症图像上评估了VGG19,VGG16,ResNet50,MobileNet,Xception和InceptionV3的性能.
- 评估了H&E染色规范化技术对模型准确性和效率的影响.
主要成果:
- VGG16表现良好;VGG19和ResNet50表现有限.
- 污点正常化在不那么复杂的模型中显著提高了性能,例如MobileNet和Xception.
- 移动网络和Xception表现出具有竞争力的准确性,具有较低的计算需求和高效率.
结论:
- 通过染色正常化优化不那么复杂的DL模型对于准确的癌症图像分类至关重要.
- 这种方法提高了计算效率,支持了先进的癌症诊断系统的开发.
