用定制的CNN和转移学习对宫癌MRI阶段的分类
1Department of Computer Science and Engineering, Rajalakshmi Engineering College, Chennai, India.
Cognitive neurodynamics
|October 3, 2023
概括
精确的宫癌分期对于治疗至关重要. 这项研究使用磁共振图像开发了一种定制的深度囊网络 (CapsNet),在分类宫癌和帮助自动检测方面实现了高精度.
科学领域:
- 医学成像医学成像
- 人工智能在瘤学中的应用
- 深度学习用于癌症诊断.
背景情况:
- 宫癌的诊断和分期对于有效的治疗至关重要,需要准确的医学图像分析.
- 卷积神经网络 (CNN) 在医学图像分类方面显示出巨大的潜力,与专家放射科医生竞争.
- 自动检测和诊断应用程序需要强大的宫癌分期方法.
研究的目的:
- 开发一个定制的深度囊网络 (CapsNet) 模型,用于高精度的宫癌医学图像分类.
- 使用先进的深度学习架构,利用磁共振 (MR) 图像进行自动化宫癌预测.
- 通过集成CapsNet和残留块来提高CNN在医疗图像分析中的性能.
主要方法:
- 采用囊网络 (CapsNet) 原则开发了一个定制的深度CNN模型.
- 剩余块被集成到密集层之间,以提高CapsNet的性能.
- 该模型在TCGA-CESC数据集中的12771张T2加权MR图像上进行了训练和测试.
主要成果:
- 使用CapsNet定制的CNN模型在从MRI图像中分类子宫癌方面表现出卓越的准确性.
- 使用剩余块的CapsNet架构有效地改善了特征分类和模型性能.
- 开发的模型在自动化宫癌检测和诊断方面表现强.
结论:
- 深度囊网络 (CapsNets) 提供了一个有前途的方法,可以从MRI图像中准确地分类宫癌.
- 与CapsNet集成的定制CNN模型可以显著增强瘤学中的自动化医学图像分析工具.
- 这些发现支持使用先进的深度学习技术来改善宫癌的分期和患者的治疗结果.
