先进的特征学习和微观乳腺异常的分类使用强大的深度转移学习技术.
Amjad Rehman1, Tariq Mahmood1,2, Faten S Alamri3
1Artificial Intelligence and Data Analytics (AIDA) Lab, CCIS Prince Sultan University, Riyadh, Kingdom of Saudi Arabia.
Microscopy research and technique
|March 30, 2024
概括
一种新的深度学习方法通过使用低维特征和转移学习,从显微镜图像中增强乳腺癌检测. 这种方法可以提高诊断的准确性和效率,从而改善患者的治疗结果.
科学领域:
- 数字病理学数字病理学
- 医学成像分析分析 医学成像分析
- 计算生物学是一种计算生物学.
背景情况:
- 早期发现乳腺癌对于生存至关重要.
- 目前的成像方法有其局限性.
- 数字病理学和人工智能可以提高准确性.
研究的目的:
- 从显微镜图像中开发一种准确的方法来分类良性和恶性乳腺癌病变.
- 为了应对特征提取和计算复杂性的挑战.
主要方法:
- 使用RGB频道的低维,多通道的基于特征的方法.
- 通过共同发生的矩阵,波形,加博和面向梯度的直方图进行特征提取.
- 采用转移学习的SqE-DDConvNet算法 (mVVGNet16,EfficientNetV2B3,ResNet101V2,CN2XNet). 这是一个非常简单的方法.
主要成果:
- 拟议的方法实现了比基线模型更高的准确性.
- 转移学习保留了空间信息,并提高了跨放大度的准确性.
- 观察到提高了识别准确性和培训效率.
结论:
- 深度学习方法为乳腺癌显微镜图像提供了更准确的图像分类.
- 这种方法有助于提高诊断效率和患者护理.
- 这项研究证实了转移学习在显微镜图像分析中的有效性.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K