通过增强的细分和基于深度进步学习的技术,改善PAP涂抹图像中的宫癌分类

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 宫癌是全球妇女死亡的主要原因之一.
• 涂抹检查对于早期检测至关重要,但受到人为错误和错误阳性的影响.
• 机器学习和深度学习为诊断中的自动图像分析提供解决方案.

研究的目的:

• 开发和评估用于准确分类宫癌细胞的深度学习模型.
• 用自动图像分析来提高宫癌查的精度.
• 帮助医疗专业人员通过细胞学和结直镜图像来诊断宫癌的阶段.

主要方法:

• 使用ResNet-50深度学习架构进行图像分类.
• 实施了三步方法:预处理,k-means集群用于细分,以及细胞分类.
• 使用包括准确性,精度,灵敏性,特异性和kappa评分在内的指标评估模型性能.

主要成果:

• ResNet-50模型通过空间k-means集群和预处理有效地确定了受感染的宫区域.
• 在四个阶段应用了一种渐进式学习技术,增加图像分辨率 (64x64到1024x1024).
• 在分析巴氏涂片测试中,它以97.4%的准确度和大约98%的卡帕得分获得了高性能.

结论:

• 拟议的深度学习模型ResNet-50在分析巴氏涂片图像方面表现出显著的有效性.
• 由人工智能驱动的方法为及时准确检测子宫癌提供了有价值的工具.
• 这项技术有可能减少诊断错误并改善宫癌查患者的结果.