HER2GAN:克服HER2乳腺癌数据集的稀缺性 基于转移学习和GAN模型
Mohammad Mobin Mirimoghaddam1, Jafar Majidpour2, Fakhereh Pashaei1
1Radiation Sciences Research Center (RSRC), Aja University of Medical Sciences, Tehran, Iran.
Clinical breast cancer
|November 5, 2023
概括
这项研究引入了使用生成对抗网络 (GANs) 的深度学习方法,以改善乳腺癌诊断. 该方法提高了从免疫组织化学图像中分类人类表皮生长因子受体2 (HER2) 水平的准确性.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 免疫组织化学 (IHC) 对于乳腺癌诊断,分类和治疗决策至关重要,评估像激素受体和HER2这样的生物标志物.
- 由于复杂的形态特征和有限的数据,IHC幻灯片的准确评分具有挑战性.
- 机器学习和深度学习为改善IHC分析提供了潜在的解决方案.
研究的目的:
- 引入一种新的监督深度学习方法,用于使用IHC诊断乳腺癌.
- 开发基于GAN的模型,用于生成高质量的HER2图像并对HER2水平进行分类.
- 用原始和生成的IHC图像来评估深度学习模型的性能.
主要方法:
- 使用生成对抗网络 (GAN) 来合成高质量的HER2免疫组织化学图像.
- 监督深度学习模型,包括InceptionV3和InceptionResNetV2,用于图像分类.
- 应用了转移学习方法来评估模型在真实和生成数据集上的性能.
主要成果:
- 在训练和测试中使用生成和原始图像的结合使用产生了高准确度.
- InceptionV3和InceptionResNetV2模型在分类HER2水平方面实现了93%的准确性.
- 合成的图像显示出极高的质量,有助于改善模型性能.
结论:
- 提出的基于GAN的深度学习方法有效地提高了HER2 IHC图像的质量和实用性.
- 这种方法显着有望提高乳腺癌诊断和分类的准确性和可靠性.
- 这些发现突显了人工智能在推进个性化癌症治疗策略方面的潜力.
