一个基于循环盒的深度学习模型,用于从组织病理图像中识别标签环细胞

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 标签环细胞 (SRC) 癌症是一种侵袭性癌症,通常是晚诊断的.
• 由于细胞形态和成像条件的变化,早期检测很困难.
• 及时诊断显著影响治疗结果和患者存活率.

研究的目的:

• 开发一种自动化,准确和具有成本效益的方法,用于早期识别和分类SRC癌症.
• 为应对SRC癌症误导性发病和晚期诊断所带来的挑战.

主要方法:

• 一种深度学习 (DL) 方法,利用与ResNet-34架构集成的自定义CircleNet模型.
• 应用数据增强技术来增强一个具有挑战性的35,000图像数据集.
• 对现有方法进行比较分析以验证性能.

主要成果:

• 拟议的CircleNet与ResNet-34模型在SRC识别和分类方面实现了96.40%的高精度.
• 基于DL的方法与其他评估方法相比,表现优越.
• 该模型有效地处理细胞大小,形状和照明的变化.

结论:

• 开发的深度学习方法为早期和准确检测结环细胞癌提供了一个有希望的解决方案.
• 这种自动化方法有可能降低诊断成本并改善患者的预后.
• 进一步的研究可以探索将其集成到临床工作流程中,以实时提供诊断支持.