通过组织病理图像分析提高乳腺癌分类:利用自我监督的对比学习和转移学习
Faisal Bin Ashraf1, S M Maksudul Alam1, Shahriar M Sakib2
1Department of Computer Science and Engineering, University of California, Riverside, 92521, CA, USA.
Heliyon
|January 31, 2024
概括
这项研究引入了一种有效的深度学习模型,用于乳腺癌组织病理学图像分类. 这种新的架构实现了高精度,有助于早期发现和诊断癌症.
科学领域:
- 医疗成像医学成像
- 计算机科学 计算机科学
- 在瘤学瘤学.
背景情况:
- 早期发现乳腺癌对于改善患者的治疗结果至关重要.
- 自动化组织病理图像分析可以提高诊断效率和准确性.
- 深度学习模型,特别是ResNet,对图像分类任务显示有前途.
研究的目的:
- 开发一种用于分类乳腺癌组织病理图像的自动化系统.
- 通过深度学习提高乳腺癌诊断的效率和准确性.
- 创建一个轻量级和有效的基于ResNet的分类器,用于他的病理图像.
主要方法:
- 雇员自主监督对比学习以在有限的数据上训练模型.
- 开发了一个混合架构,将ResNet50和Inception模块结合起来,用于轻量级分类器.
- 使用了各种放大 (40X-400X) 的基因病理图像 (良性/恶性) 的数据集.
主要成果:
- 实现了高分类准确度:98%在40X和200X,94%在100X和400X.
- 拟议的模型具有显著减少的参数数量 (约. 3.6 百万). 这就是为什么.
- 与现有架构相比,展示了最先进的性能.
结论:
- 开发的深度学习模型为乳腺癌组织病理学图像分析提供了准确有效的解决方案.
- 轻量级的架构使其适用于实际的诊断应用.
- 这种方法有助于推进自动化癌症诊断和早期检测策略.
