一个双重卷积神经网络与混合二元优化器用于多式乳腺癌数字图像分类数字图像分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 深度学习在单模式医疗图像分析方面表现出色,但在乳腺癌等复杂诊断中,它在多模式数据方面扎.
• 现实世界乳腺癌诊断往往整合了各种数据,包括乳房影像,MRI和活检图像,这对当前的深度学习模型构成了挑战.
• 现有的深度学习研究经常集中在单个数据类型上,忽视了从多个来源融合高维,异构特征的复杂性.

研究的目的:

• 介绍一个新的深度学习框架,双胞胎卷积神经网络 (TwinCNN),用于使用多式联络数据准确的乳腺癌分类.
• 通过结合特征选择的二进制优化方法和一种新的特征融合技术来应对高维特征融合的挑战.
• 通过利用图像特征和预测标签来提高分类性能,用于多模式分析.

主要方法:

• 一个双/双卷积神经网络 (TwinCNN) 框架被用于基于模式的特征学习在低级和高级.
• 一种二进制优化方法被调整,通过消除非歧视性特征来减少特征维度.
• 开发了一种新的特征融合方法,以整合基准真相和预测标签,用于多模式分类.

主要成果:

• 单个方法的分类精度为0.755 (组织学) 和0.791 (乳房学),AUC分别为0.861和0.638.
• 融合特征方法表现出卓越的性能,分类准确度为0.977 (组织学),0.913 (乳房学) 和0.667 (多模式).
• 使用二进制优化器减少特征维度,有效地消除了非歧视性特征,防止了分类器瓶.

结论:

• 多模式图像分类,整合图像特征和预测标签,显著改善乳腺癌诊断性能.
• 拟议的TwinCNN框架有效地处理多模式数据,优于单模式方法.
• 减少特征维度对于提高医学图像分析中的深度学习模型的效率和准确性至关重要.