颜色-CADx:一种深度学习方法,通过三重卷积神经网络和离散的共弦变换来对结直肠癌进行分类
Maha Sharkas1, Omneya Attallah2,3
1Electronics and Communications Engineering Department, College of Engineering and Technology, Arab Academy for Science, Technology, and Maritime Transport, Alexandria, Egypt.
Scientific reports
|March 23, 2024
概括
一个新的计算机辅助诊断 (CAD) 系统,Color-CADx,通过深度学习和特征减少技术,增强结直肠癌 (CRC) 的识别. 这种人工智能系统实现了高精度,改进了现有的方法,以更快,更精确的CRC诊断.
科学领域:
- 数字病理学和瘤学中的人工智能.
- 机器学习在医学诊断中的应用.
背景情况:
- 结肠直肠癌 (CRC) 仍然是全球癌症相关死亡的主要原因.
- 目前对CRC的组织病理学诊断是劳动密集型,主观和耗时的.
- 计算机辅助诊断 (CAD) 系统为更快,更准确的CRC检测提供了潜力.
研究的目的:
- 开发和评估一种新的CAD系统,Color-CADx,用于改进结直肠癌 (CRC) 识别.
- 解决现有的CAD系统的局限性,包括高维特征和仅依赖空间信息.
主要方法:
- 利用多个卷积神经网络 (CNN),包括ResNet50,DenseNet201和AlexNet进行端到端的CRC分类.
- 应用离散等边形变换 (DCT) 用于特征提取,维度减小和光谱表示.
- 综合变异分析 (ANOVA) 对于重要的特征选择.
- 在两个公共数据集上使用机器学习分类器进行最终CRC分类.
主要成果:
- 在NCT-CRC-HE-100K数据集上达到99.3%,在Kather_texture_2016_image_tiles数据集上达到96.8%.
- 使用DCT和ANOVA证明成功地减少了特征维度,从而降低了计算复杂性.
- 颜色-CADx性能超过了近期CRC识别方面的进展.
结论:
- 拟议的Color-CADx系统有效地利用深度学习和特征工程来进行准确的CRC诊断.
- 通过减少特征维度和复杂性,DCT和ANOVA显著提高了CAD系统的效率.
- 彩色CADx显示出强大的潜力,作为数字病理学中一个有价值的工具,用于提高CRC检测率.
