掩盖基于地区的CNN,以诊断宫癌的进展情况,根据巴氏涂片检查
Carolina Rutili de Lima1, Said G Khan2, Syed H Shah3
1Department of Electrical Engineering, National Taiwan Normal University, Taipei, Taiwan.
Heliyon
|November 15, 2023
概括
这项研究引入了一种新的深度学习方法,用于在组织图像中检测和细分宫癌细胞. 这种方法显著提高了诊断准确性,并加快了医疗顾问的报告流程.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学中使用人工智能
背景情况:
- 宫癌的诊断依赖于从细胞学样本准确的细胞识别和细分.
- 当前的方法在处理具有多个细胞的复杂组织图像时可能面临挑战.
- 自动化分析有可能提高诊断效率和一致性.
研究的目的:
- 开发和评估用于宫癌细胞检测和细分的新型深度学习方法.
- 提高分析帕帕尼科劳 (Pap) 涂抹和液体细胞学 (LBC) 图像的准确性和效率.
- 为识别恶意细胞和帮助医疗顾问提供自动报告系统.
主要方法:
- 利用基于面具区域基于卷积神经网络 (RCNN) 的新型深度学习架构.
- 集成的统计分析用于增强检测和像素对像素区域细分.
- 训练并验证了模型,使用顾问标记的Pap Smear/LBC样本,SIPaKMeD数据集和标记的Mendeley数据集图像的组合.
主要成果:
- 在3类和5类细分方面均达到超过60%的平均平均精度 (mAP).
- 在3级和5级分类中获得超过70%的F1分数.
- 证明了该计划能够自动为医疗顾问生成全面报告的能力.
结论:
- 拟议的Mask基于RCNN的深度学习架构为宫癌细胞检测和细分提供了一种高度有效的方法.
- 与现有基准相比,该系统显著提高了诊断绩效指标 (mAP和F1得分).
- 这种自动化方法有可能加速宫癌的诊断和治疗计划.
