结肠组织学幻灯片分类与深度学习框架使用单个和融合特征

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:

• 全球结肠直肠癌 (CRC) 发病率正在上升,这对诊断构成了重大挑战.
• 通过查及时治疗及早检测对于管理CRC至关重要.
• 当前的诊断方法需要有效和准确的工具来分析组织学幻灯片.

研究的目的:

• 开发和评估一个深度学习框架 (DLF) 用于将结肠组织学幻灯片分为正常和癌症类别.
• 为了利用基于深度学习的功能来自动检测癌症.
• 评估拟议的DLF的临床意义.

主要方法:

• 图像收集,大小调整和预处理 4000 张组织学幻灯片 (2000 张正常, 2000 张癌症).
• 使用选定的方案提取深度特征 (DF).
• 使用5倍交叉验证的二进制分类,比较单个,合并和整体DF.
• 使用二进制分类器验证结果,包括K-近邻 (KNN).

主要成果:

• 在使用K-近邻 (KNN) 分类器时,Fused Deep Features (DF) 实现了99%的高检测精度.
• 个别的DF产生了93.25%的分类准确度.
• 组合DFs导致分类准确率为97.25%.

结论:

• 开发的深度学习框架 (DLF) 在分类结肠组织学幻灯片方面表现出高效.
• 融合深度特征 (DF) 为准确的结直肠癌检测提供了卓越的性能.
• 这种方法有可能改善早期癌症查并减少诊断工作量.