一个改进的乳腺癌分类与混合混乱的沙猫和Remora优化功能选择算法
1College of Computing and Information Technology, Shaqra University, Shaqra, Saudi Arabia.
PloS one
|April 11, 2024
概括
这项研究引入了一种先进的深度学习模型,用于从组织图像中准确检测乳腺癌. 该方法实现了高精度,改善了用于早期乳腺癌识别的自动化病理学分析.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- 乳腺癌 (BrC) 是女性的主要癌症诊断,需要有效的自动化病理学分析.
- 准确和快速识别乳腺癌组织图像对于及时预测和治疗至关重要.
- 深度学习模型为乳腺癌检测提供了比传统机器学习更高的速度和精度.
研究的目的:
- 用组织学图像证明一种自动化系统用于识别和分类乳腺癌的可行性.
- 开发和评估一种新的混合优化和深度学习方法来检测乳腺癌.
- 为了在癌症和良性乳腺瘤之间进行区分,实现高精度.
主要方法:
- 图像预处理使用自适应切换修改的基于非对称的修剪中位过器 (ASMDBUTMF) 减少噪声.
- 通过值水平设置方法进行图像细分.
- 混合功能选择使用混乱的沙猫优化和Remora优化算法 (ROA).
- 使用条件变异自编码器 (DL分类器) 进行分类.
主要成果:
- 在BreakHis数据集上实现了99.4%的分类准确性.
- 获得了高性能指标,包括精度 (99.2%),回忆 (99.1%),F-score (99%) 和特异性 (99.14%).
- 与BreakHis数据集的现有研究相比,证明了优越的性能.
结论:
- 建议的混合优化和深度学习方法对于自动识别和分类乳腺癌非常有效.
- 该方法为提高数字病理学中乳腺癌诊断的准确性和效率提供了一个有希望的解决方案.
- 取得的结果表明,使用组织学成像的自动乳腺癌检测取得了重大进展.
更多相关视频
07:35Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
Published on: October 11, 2018
7.5K
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
