用混沌蝶优化算法对线粒细胞核进行细分和分类,并对基因病理学图像进行深度学习
1Department of Information Technology, Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Biomimetics (Basel, Switzerland)
|October 27, 2023
概括
这项研究引入了一种用于在基因病理图像中自动化分离和分类线粒细胞核的新方法. 该技术通过使用深度学习和优化算法准确识别细胞分裂阶段,提高了癌症诊断和预后.
科学领域:
- * 计算机病理学
- * 医学图像分析
- * 在瘤学中的机器学习.
背景情况:
- * 组织病理学分类对于瘤评估和个性化治疗至关重要.
- * 线粒细胞核的分类有助于癌症的诊断和预后,但由于尺寸小和外观多样,具有挑战性.
- *使用计算机视觉 (CV) 和机器学习 (ML) 的自动化方法对于准确识别线粒细胞核至关重要.
研究的目的:
- * 引入一种用于线粒细胞核细分和分类的自动化技术.
- * 为了提高在组织病理学图像中识别正在发生神经分裂的细胞的准确性.
- *通过精确的线粒细胞核检测,改善癌症诊断和预后.
主要方法:
- * 提出了使用混乱蝶优化算法与深度学习 (MNSC-CBOADL) 技术进行线粒细胞核细分和分类.
- * 利用U-Net模型进行图像分割和Xception模型进行特征向量生成.
- * 采用深度信念网络 (DBN) 进行分类,使用混乱蝶优化算法 (CBOA) 进行超参数调整.
主要成果:
- *MNSC-CBOADL技术在自动化线粒细胞核细分和分类方面表现出卓越的性能.
- *使用基准数据库的验证证实了拟议系统的有效性.
- * 深度学习和优化算法的综合方法显著提高了检测准确性.
结论:
- *MNSC-CBOADL技术为自动化线粒细胞核分析提供了强大的解决方案.
- *这种方法有可能在癌症诊断和治疗规划中显著帮助病理学家.
- *先进的深度学习和优化策略是克服基因病理图像分析挑战的关键.
