增强的优化算法与深度学习驱动的线粒细胞核分类在乳腺组织病理学图像.
Fadwa Alrowais1, Faiz Abdullah Alotaibi2, Abdulkhaleq Q A Hassan3
1Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah Bint Abdulrahman University, P.O. Box 84428, Riyadh 11671, Saudi Arabia.
Biomimetics (Basel, Switzerland)
|November 24, 2023
概括
一种新的深度学习方法通过精确地分类细胞核在组织病理学图像中,改善了乳腺癌的诊断. 这种增强的优化算法与深度学习驱动的线粒细胞核分类 (EPOADL-MNC) 实现了97.83%的准确性.
科学领域:
- 医学成像和病理学医学成像和病理学
- 人工智能在医学中的应用
- 计算生物学 计算生物学
背景情况:
- 准确的乳腺癌诊断对于有效的治疗至关重要,而线粒细胞核的组织病理检查是关键因素.
- 病理学家手动检测线粒细胞核是主观的,耗时的.
- 深度学习 (DL) 提供了一个有前途的自动化替代方案,用于准确有效地分类线粒细胞核.
研究的目的:
- 开发和验证一个增强的优化算法与深度学习驱动的线粒细胞核分类 (EPOADL-MNC) 乳腺组织病理图像.
- 为了自动对乳腺组织样本中的线粒细胞和非线粒细胞进行分类.
- 与现有方法相比,提高线粒细胞核检测的准确性和效率.
主要方法:
- 利用ShuffleNet模型从基因病理图像中提取特征.
- 在ShuffleNet模型的超参数调整中使用了Enhanced Pelican优化算法 (EPOA).
- 集成了一个自适应的神经模糊推断系统 (ANFIS) 用于最终分类和检测线粒细胞核.
主要成果:
- 开发的EPOADL-MNC技术在分类线粒细胞核方面表现出卓越的性能.
- 模拟证实了EPOADL-MNC系统的检测能力的提高.
- 实现了97.83%的最大分类准确度,超过了现有的深度学习技术.
结论:
- EPOADL-MNC技术为乳腺组织病理学中的线粒细胞核分类提供了准确和高效的自动化解决方案.
- 这种深度学习方法提高了诊断的准确性,并减少了病理学家的负担.
- 该方法具有改善乳腺癌预后和诊断的巨大潜力.
