DCNNLFS:一个扩展的卷积神经网络与晚期融合策略用于胃组织病理学图像的智能分类

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 胃癌对全球健康构成重大威胁.
• 组织病理学图像对于诊断胃癌至关重要,但大量的数据可能导致诊断错误.
• 传统的深度学习模型,如CNNs,由于聚合操作导致图像分辨率损失,影响诊断准确度.

研究的目的:

• 开发一个先进的深度学习模型,以改善胃组织病理学图像的分类.
• 为了解决传统CNN在维护空间分辨率和捕捉精细图像细节方面的局限性.
• 为了提高胃癌检测的诊断性能,使用组织病理学图像.

主要方法:

• 扩展卷积神经网络与晚期融合战略 (DCNNLFS) 的设计.
• 使用扩张卷积来扩大受体场,并通过调整扩张速率来捕获上下文信息.
• 实施晚期融合策略,以加强模型的整体分类能力.

主要成果:

• DCNNLFS模型在胃组织病理学图像数据集上表现出卓越的性能.
• 实现了高诊断指标:精度为0.938,准确度为0.935,F1-Score为0.959.
• 验证了扩张卷积和晚期融合在改善图像特征感知和分类方面的有效性.

结论:

• DCNNLFS模型为准确的胃组织病理学图像分类提供了有希望的进步.
• 这种深度学习方法可以减轻胃癌检测中的误诊和错误诊断.
• DCNNLFS模型为计算病理学提供了一个强大的工具,提高了诊断精度.