通过结合转移学习和注意力机制,改善了乳腺癌分类
Asadulla Ashurov1, Samia Allaoua Chelloug2, Alexey Tselykh3
1School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China.
Life (Basel, Switzerland)
|September 28, 2023
概括
这项研究引入了一种新的深度学习方法,用于乳腺癌组织病理图像分类. 经过修改的卷积神经网络 (CNN) 模型与注意力机制实现了高精度,改善了乳腺癌诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 乳腺癌是全球主要的健康问题,需要先进的诊断工具.
- 深度学习在彻底改变用于疾病检测的医学图像分析方面表现有前途.
- 准确的组织病理图像分类对于有效的乳腺癌诊断和治疗计划至关重要.
研究的目的:
- 开发和评估一种新的深度学习方法来对乳腺癌进行 histopathological 图像分类.
- 提高使用注意力机制的诊断模型的可解释性和稳定性.
- 在复杂的病例中提高乳腺癌检测的准确性.
主要方法:
- 使用预训练深度卷积神经网络 (CNN) 模型进行转移学习:Xception,VGG16,ResNet50,MobileNet和DenseNet121.
- 集成了卷积块注意模块 (CBAM) 来增强CNN模型,专注于本地化特征.
- 微调模型并使用BreakHis数据集的准确性,精度,回忆和F1得分来评估它们的性能.
主要成果:
- 与Xception模型相结合的注意力机制 (AM) 实现了99.2%和99.5%的测试准确率.
- 使用AM的DenseNet121模型显示了高测试准确率99.6%.
- 提出的方法在乳腺癌诊断方面表现优于之前研究的方法.
结论:
- 这种新的深度学习方法,结合了注意力机制,显著提高了乳腺癌病理学图像分类的准确性.
- 这种方法为计算机辅助病理诊断提供了一个强大的和可解释的工具.
- 这些发现表明,自动化乳腺癌检测系统的进展是有希望的.
