一个新的加权深度学习功能使用粒子群和狮优化用于宫癌诊断在巴氏涂抹图像上的巴氏涂抹图像
Mohammed Alsalatie1, Hiam Alquran2, Wan Azani Mustafa3,4
1King Hussein Medical Center, Royal Jordanian Medical Service, The Institute of Biomedical Technology, Amman 11855, Jordan.
Diagnostics (Basel, Switzerland)
|September 9, 2023
概括
这项研究引入了一种用于宫癌检测的新型巴氏涂片图像分析,达到99.5%的准确性. 专注于组织区域可以改善宫癌的早期诊断.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 计算病理学计算病理学
- 医疗保健中的机器学习
背景情况:
- 宫癌是全球女性的主要健康问题.
- 通过改善查的早期检测,比如巴氏涂片图像分析,对于降低死亡率至关重要.
- 现有的方法通常集中在整个图像或核,限制诊断范围.
研究的目的:
- 为了比较分析整个细胞,细胞质或细胞核区域的疗效,用于宫癌分类.
- 使用先进的机器学习技术开发一个高效的计算机辅助诊断系统用于宫癌.
- 提高早期宫癌检测的准确性和可靠性.
主要方法:
- 图像增强用于解决不平衡的数据.
- 使用AlexNet,DarkNet 19和Nas.Net进行了自动功能提取.
- 主要组件分析 (PCA) 减少了特征,其次是特征加权.
- 优化是使用狮优化 (ALO) 和粒子优化 (PSO) 进行的.
- 支持矢量机 (SVM) 和随机森林 (RF) 分类器被用于分类.
主要成果:
- 使用PSO优化,SVM分类器在七个宫癌类别中实现了99.5%的准确性.
- 射频分类器实现了98.9%的准确性.
- 专注于组织区域的分析表明,与仅核分析相比,性能优越.
- 开发的系统有助于医生诊断癌前和早期的宫癌.
结论:
- 在巴氏涂片图像中分析组织区域为宫癌检测提供了比仅核分析更有效的方法.
- 拟议的计算机辅助诊断系统,通过PSO和SVM进行优化,显示出高准确性和临床应用的潜力.
- 通过更大的数据集可以实现进一步的改进,以加强宫癌查.
