使用深度卷积神经网络模型从巴氏涂抹图像进行宫癌分类
Sher Lyn Tan1, Ganeshsree Selvachandran2,3, Weiping Ding4
1Institute of Actuarial Science and Data Analytics, UCSI University, Jalan Menara Gading, Cheras, 56000, Kuala Lumpur, Malaysia.
Interdisciplinary sciences, computational life sciences
|November 14, 2023
概括
这项研究引入了深度学习模型,用于使用巴氏涂抹图像自动检测子宫癌. DenseNet-201取得了最佳表现,为早期癌症识别提供了一种高效的方法.
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:
- 子宫癌是一种常见的女性恶性瘤,具有长期的癌前阶段.
- 传统的检测方法需要复杂的细胞细分和特征提取.
- 深度学习模型 (CNN) 通常需要大量的数据集,这对罕见疾病检测构成挑战.
研究的目的:
- 开发深度学习模型,用于在没有细分或定制功能的情况下自动检测子宫癌.
- 通过预先训练有素的CNN来利用转移学习来进行巴氏涂抹图像分析.
- 评估和比较13个预训练深度CNN模型的性能.
主要方法:
- 利用转移学习与13个预训练深度卷积神经网络 (CNN) 模型.
- 直接将模型应用于巴氏涂抹图像,以完成七类分类任务.
- 在Google Collaboratory中使用公开可用的Herlev数据集和Keras包.
主要成果:
- 在评估的模型中,DenseNet-201表现出卓越的准确性和性能.
- 预先训练的CNN模型产生了有希望的实验结果.
- 这些模型需要最小的计算时间进行分析.
结论:
- 深度学习,特别是DenseNet-201,提供了一种有效的方法,用于自动检测帕普查图像的宫癌.
- 转移学习减轻了数据的局限性,从而实现了可靠的分类.
- 这种方法为早期宫癌查提供了高效和准确的工具.
