通过集成计算方案对多个H&E图像进行分类
Leonardo H da Costa Longo1, Guilherme F Roberto2, Thaína A A Tosta3
1Department of Computer Science and Statistics (DCCE), São Paulo State University (UNESP), Rua Cristóvão Colombo, 2265, São José do Rio Preto 15054-000, SP, Brazil.
Entropy (Basel, Switzerland)
|January 22, 2024
概括
这项研究引入了一种结合碎形分析和深度学习的计算方法,用于对组织学图像进行分类. 该方法在诊断乳腺癌和结肠直肠癌等疾病方面达到很高的准确性 (94.83-100%).
科学领域:
- 计算病理学计算病理学
- 数字图像分析数字图像分析
- 医学中的人工智能
背景情况:
- 组织病理图像分析对于疾病诊断至关重要.
- 传统的方法往往缺乏效率和准确性.
- 集成先进的计算技术可以提高诊断能力.
研究的目的:
- 开发和验证用于分类组织学图像的计算方案.
- 为了确定手工制作的分数描述符和深度学习特征的最佳组合.
- 为了增强计算机辅助诊断 (CADx) 系统用于组织病理学.
主要方法:
- 利用多尺度,多维的碎形技术 (碎形维度,缺点,透) 来进行特征提取.
- 使用可解释AI (xAI) 来量化组织学图像.
- 来自卷积神经网络 (CNN) 的集成功能,包括DenseNet-121,EfficientNet-b2,Inception-V3,ResNet-50和VGG-19.
- 应用了排名算法来识别关键特征组合.
- 使用异质集的分类器 (SVM, naive Bayes, Random Forest, KNN) 进行验证.
主要成果:
- 在各种组织学样本 (乳腺癌,结直肠癌,口腔发育不良,肝脏组织) 中实现了高分类准确率,从94.83%到100%不等.
- 确定了有效分类多种组织学图像类型的特定模式合集.
- 证明了可以通过减少功能集 (最大25个描述符) 来实现最佳性能.
- 在文献中报告的现有方法的性能超过了现有方法.
结论:
- 拟议的计算方案有效地结合了碎形形容器和深度学习,用于准确的组织学图像分类.
- 这种方法为计算机辅助诊断提供了一种强大而有效的方法.
- 这些发现为开发数字病理学中改进的诊断工具提供了宝贵的见解.
