基于深度相互学习的乳腺癌诊断的组织病理图像诊断
Amandeep Kaur1, Chetna Kaushal1, Jasjeet Kaur Sandhu1
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura 140401, India.
Diagnostics (Basel, Switzerland)
|January 11, 2024
概括
深度相互学习 (DML) 准确地检测乳腺癌 (BC) 使用基因病理图像. 这种深度学习方法提高了诊断准确性,改善了分类和定位,以获得更好的患者结果.
科学领域:
- 医学成像分析 医学成像分析
- 计算病理学计算病理学
- 在瘤学中使用人工智能
背景情况:
- 乳腺癌 (BC) 是一种普遍且可能致命的疾病,影响全球数百万人.
- 早期和准确的诊断对于有效的治疗和改善患者的结果至关重要.
- 深度学习 (DL) 在医学图像分析,包括组织病理学方面显示出显著的前景.
研究的目的:
- 通过使用DL集成定性和定量数据来增强乳腺癌检测.
- 研究深度相互学习 (DML) 对乳腺癌诊断的有效性.
- 用各种成像方式区分侵袭性和良性乳腺癌.
主要方法:
- 开发深层卷积神经网络 (DCNNs) 来评估BC体系病理图像.
- 应用深度相互学习 (DML) 来合并定性和定量成像数据.
- 在各种数据集上对DML模型的评估:破解His-200×,BACH和PUIH.
主要成果:
- DML模型实现了很高的准确率:98.97% (Break His-200×),96.78% (BACH) 和96.34% (PUIH) 的准确率.
- 与其他方法相比,DML方法显示出更高的性能.
- 在不影响分类性能的情况下改进了本地化结果,表明了增强的实用性.
结论:
- 深度相互学习提供了一种非常准确和有效的方法,用于通过组织病理图像检测乳腺癌.
- DML模型能够增强本地化和分类的能力使其成为诊断的宝贵工具.
- 计划进一步开发,将这种诊断模型整合到临床环境中.
