在从组织病理图像检测肺癌的分类器的探索和改进
Karthikeyan Shanmugam1, Harikumar Rajaguru1
1Department of Electronics and Communication Engineering, Bannari Amman Institute of Technology, Sathyamangalam 638401, India.
Diagnostics (Basel, Switzerland)
|October 28, 2023
概括
这项研究引入了一种先进的算法,用于使用组织病理图像进行早期肺癌检测. 这种新的方法显著提高了诊断的准确性,有助于对这种流行恶性瘤及时进行干预.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学瘤学.
背景情况:
- 肺癌是导致死亡的主要原因,由于细微的症状,通常在晚期被诊断出来.
- 通过组织病理图像分析进行早期检测对于改善患者的治疗结果至关重要.
- 开发精确的自动化系统可以帮助临床医生高效地诊断肺癌.
研究的目的:
- 提出一种新的计算方法,用于在组织病理图像中检测肺癌.
- 通过机器学习提高肺癌分类的准确性和可靠性.
- 调查基于图像的癌症检测中各种优化和特征选择算法的有效性.
主要方法:
- 组织病理图像经过预处理并使用修改后的KFCM方法进行细分.
- 使用粒子群优化 (PSO) 和灰狼优化 (GWO) 进行了尺寸缩小.
- 使用KL分歧和侵入性杂草优化 (IWO) 进行了特征选择,随后使用包括决策树在内的七种算法进行了分类,并使用Adam和RAdam进行了超参数调整.
主要成果:
- 使用GWO特征提取的决策树分类器在没有高级调整的情况下实现了85.01%的准确性.
- 将GWO和IWO功能与RAdam超参数调整算法相结合,导致决策树分类器准确率为91.57%.
- 卡帕分析被用来评估不同分类器之间的协议.
结论:
- 拟议的方法证明了肺癌检测准确度的显著改善.
- 超参数调整,特别是使用RAdam,结合优化功能选择,有效提高分类器性能.
- 这种方法对开发更准确,更有效的早期肺癌诊断工具充满希望.
