SegEIR-Net:一个强大的组织病理学图像分析框架,用于准确的乳腺癌分类

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:

• 乳腺癌 (BC) 对女性来说是一个重大的全球健康挑战.
• 准确可靠的BC分类对于早期诊断至关重要.
• 现有的分类方法往往缺乏所需的准确性和稳定性.

研究的目的:

• 设计一个强大的模型,准确地分类BC基因病理学图像.
• 利用先进的细分技术来提高诊断准确度.
• 通过精确的图像分析,提高乳腺癌的早期检测.

主要方法:

• 使用Chan-Vese算法进行区域划分的综合细分和分类方法.
• 开发SegEIR-Net,集成EfficientNet,InceptionNet和ResNet进行分类.
• 双边过的应用用于降低噪音,并利用密集层和掉落层.

主要成果:

• 与最先进的 (SOTA) 方法相比,SegEIR-Net在多个数据集中表现出更高的性能.
• 在不同放大度的数据集中 (高达98.66%) 实现了高准确率的断裂.
• 在BACH (93.33%) 和UCSB (96.55%) 数据集上取得了显著的准确性,证实了模型的稳定性.

结论:

• 拟议的SegEIR-Net框架在从基因病理图像中对BC进行分类方面表现强.
• 该模型的准确性支持其在可靠的乳腺癌早期诊断方面的潜力.
• 这种方法推进了计算病理学,以改善癌症检测.