改进了基于图形神经网络的绿色鱼优化,用于细分和分类肺癌
S Dinesh Krishnan1, Danilo Pelusi2, A Daniel3
1Assistant professor, B V Raju Institute of Technology, Narsapur, Telangana, India.
Mathematical biosciences and engineering : MBE
|November 3, 2023
概括
深度学习通过分析组织病理学幻灯片来帮助肺癌诊断. 一个改进的图形神经网络 (IGNN) 方法准确地分类肺癌类型,优于现有的技术.
科学领域:
- 在瘤学瘤学.
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 肺癌是由正常细胞的遗传损伤引起的,吸烟是主要原因.
- 环境因素,如石棉,和气,也有助于肺癌的风险.
- 准确及时诊断对于有效治疗肺癌至关重要.
研究的目的:
- 开发和评估一种深度学习方法,以加速肺癌诊断.
- 为了提高分类肺癌亚型的准确性,使用组织病理学图像.
- 优化一种新的深度学习模型,以提高诊断性能.
主要方法:
- 利用了肺癌组织病理学幻灯片的基准数据集.
- 应用了Gabor波器用于图像预处理和修改期望最大化 (MEM) 进行细分.
- 使用面向梯度 (HOG) 方案的直方图提取的特征.
- 采用了改进的图形神经网络 (IGNN),通过绿色子优化 (GAO) 算法进行优化,用于分类.
主要成果:
- 拟议的IGNN模型在将肺癌分为正常,腺癌和状细胞癌方面取得了很高的准确性.
- 与现有诊断方法相比,模拟发现显示出更高的性能.
- 使用GAO进行参数优化,提高了GNN的整体精度最大化.
结论:
- 开发的深度学习框架为准确和高效的肺癌诊断提供了一个有前途的工具.
- 用GAO优化的IGNN模型显示了在组织病理学分析中临床应用的巨大潜力.
- 这种方法可以帮助更快,更可靠地识别肺癌亚型.
