相关实验视频
Updated: Jul 12, 2025
07:06
A Permanent Window for Investigating Cancer Metastasis to the Lung
Published on: July 1, 2021
4.9K
肺癌分类在组织病理学图像使用多分辨率高效网
Sunila Anjum1, Imran Ahmed2, Muhammad Asif3
1Center of Excellence in Information Technology, Institute of Management Sciences, Hayatabad, Peshawar 25000, Pakistan.
Computational intelligence and neuroscience
|October 25, 2023
概括
这项研究引入了一种使用EfficientNet变体的自动深度学习方法,以在组织病理图像中对癌症进行分类. EfficientNetB2实现了97%的准确性,为病理学家提供了更快,更精确的诊断工具.
科学领域:
- 数字病理学和计算成像.
- 医疗诊断中的人工智能.
- 癌症研究和组织病理学分析.
背景情况:
- 组织病理学图像对于疾病诊断至关重要,包括癌症.
- 数字组织病理学提高了诊断精度和病理学家的效率.
- 手动图像分析耗时,需要自动化解决方案.
研究的目的:
- 开发和评估一种深度学习方法,用于对正常和恶性癌症组织病理图像进行自动分类.
- 为了比较这个分类任务的EfficientNet变体 (B0-B7) 的性能.
- 调查不同图像分辨率的影响,并将学习转移到模型准确度.
主要方法:
- 应用EfficientNet深度学习模型 (B0-B7) 用不同的图像分辨率 (224x224到600x600像素).
- 利用转移学习和参数调整来优化模型性能和减轻过度拟合.
- 采用了肺癌和结肠癌组织病理图像LC25000数据集 (五个类别的25000张图像).
- 执行数据预处理以确保图像质量和标准化.
主要成果:
- 所有的EfficientNet变体都显示出很好的分类准确性.
- EfficientNetB2使用260x260像素图像实现了97%准确度的出色性能.
- 这项研究证实了深度学习对组织病理图像分析的有效性.
结论:
- 深度学习,特别是EfficientNet模型,提供了一种可靠的自动化方法,用于在组织病理图像中对癌症进行分类.
- EfficientNetB2在数字病理学中改善诊断速度和准确性方面显示出显著的前景.
- 自动化分析可以通过实现更快的治疗干预来提高治疗结果.
