在病理图像中使用深度学习卷积神经网络对胰腺癌进行分级
Muhammad Nurmahir Mohamad Sehmi1, Mohammad Faizal Ahmad Fauzi1, Wan Siti Halimatul Munirah Wan Ahmad1
1Faculty of Engineering, Multimedia University, Cyberjaya, Selangor, 63100, Malaysia.
F1000Research
|September 28, 2023
概括
这项研究引入了一种自动化系统,用于通过病理图像的深度学习来对胰腺癌进行分级. 丹塞网模型达到95.61%的准确性,为手动分级提供了更快,更可靠的替代方案.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 胰腺癌分级对于预后和治疗至关重要.
- 手动对病理图像进行分级是耗时的,容易导致误诊.
- 目前的方法在确定癌症的攻击性方面缺乏效率和准确性.
研究的目的:
- 开发一种自动化系统,使用深度学习模型对胰腺癌进行分级.
- 为了比较不同深度学习模型在病理图像上的性能.
- 为了提高胰腺癌分级的准确性和效率.
主要方法:
- 采用转移学习技术,使用14个 ImageNet 预训练模型.
- 模型在胰腺癌病理图像数据集上进行了微调.
- 基于癌症分级的分类准确性来评估性能.
主要成果:
- 在分类胰腺癌等级方面,DenseNet模型表现出卓越的性能.
- 在分类胰腺癌方面,达到了高达95.61%的准确性.
- 该系统显示高精度,即使在一个小的数据集.
结论:
- 这是第一个使用深度学习直接从病理图像中对胰腺癌进行分级的研究.
- 拟议的自动化系统可以协助病理学家,提高诊断效率和准确性.
- 这种方法克服了手工分级和以前以检测为重点或基于放射学的研究的局限性.
