彻底改变口腔癌检测:一种使用阿奎拉和大猩猩算法优化转移基于学习的CNNs的方法
Mahmoud Badawy1,2, Hossam Magdy Balaha2,3, Ahmed S Maklad4,5
1Department of Computer Science and Informatics, Applied College, Taibah University, Al Madinah Al Munawwarah 41461, Saudi Arabia.
Biomimetics (Basel, Switzerland)
|October 27, 2023
概括
使用深度学习的自动口腔癌检测显著改善了早期诊断. 优化的卷积神经网络 (CNN) 使用新的元启发算法实现了99.25%的准确性,提高了成本效益的选.
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:
- 早期检测口腔癌对于患者的生存至关重要,但由于昂贵的手动查而受到阻碍.
- 深度学习提供了一种具有成本效益的,自动化解决方案,用于使用组织病理学图像进行口腔癌查.
研究的目的:
- 开发一个准确的,自动化框架,从微观组织病理学幻灯片对口腔癌进行分类.
- 评估优化深度学习模型在提高口腔癌检测准确度方面的有效性.
主要方法:
- 使用了与转移学习 (TL) 模型集成的卷积神经网络 (CNN) (VGG19,VGG16,MobileNet变体,NASNetMobile,DenseNet201).
- 使用Aquila Optimizer (AO) 和大猩猩部队优化器 (GTO) 的元启发算法微调的CNN.
- 经过培训和测试,在Histopathologic口腔癌检测数据集 (2494个正常,2698个OSCC图像) 上进行测试.
主要成果:
- 在大多数转移学习模型中,Aquila Optimizer (AO) 总体上表现优于大猩猩部队优化器 (GTO).
- 而DenseNet201模型实现了最高的精度,达到AO的99.25%,GTO的97.27%.
- 优化的深度学习框架在区分正常和口腔状细胞癌 (OSCC) 图像方面表现出卓越的性能.
结论:
- 拟议的框架在自动口腔癌检测方面取得了重大进展,提高了诊断能力.
- 优化的深度学习模型,特别是具有像AO这样的元启发算法的CNN,显示了医学图像分析和诊断的巨大潜力.
- 这种方法解决了手动查的局限性,为更容易获得和更准确的口腔癌诊断铺平了道路.
