通过卷积神经网络和修改后的ResNet架构改善乳腺癌检测
Mohammad Ali Pourmina1, Javad Nouri Pour1, Mohammad Naser Moghaddasi1
1Department of Electrical Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.
Current medical imaging
|April 15, 2024
概括
一个新的卷积神经网络 (CNN) 修改后的ResNet架构比现有方法提高了2%的乳腺癌检测准确度. 这种先进的方法可以在全幻灯片图像 (WSIs) 中对组织区域进行更全面的分析.
科学领域:
- 计算病理学计算病理学
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
背景情况:
- 乳腺癌的发病包括不受控制的细胞增殖形成瘤质量.
- 目前对远端癌症区域的全幻灯片图像 (WSIs) 的分析可能不足.
- 现有的方法缺乏对复杂组织微环境的全面洞察力.
研究的目的:
- 为乳腺癌检测引入创新的卷积神经网络 (CNN) 修改ResNet架构.
- 为了克服传统全幻灯片图像分析技术的局限性.
- 为乳腺癌病理学中的综合组织区域分析提供强大的解决方案.
主要方法:
- 使用了大约275,000个RGB图像补丁 (50x50像素) 的数据集.
- 实现了CNN修改ResNet架构用于图像分析.
- 对各种CNN架构进行了比较评估,并使用性能指标进行了严格的验证.
主要成果:
- 美国有线电视新闻网修改后的ResNet在乳腺癌检测中实现了89%的准确性.
- 与替代方法相比,其准确性提高了2%.
- 证实了在WSIs中分析癌症区域的拟议模型的有效性和优越性.
结论:
- 美国有线电视新闻网修改后的ResNet架构显示了准确检测乳腺癌的巨大潜力.
- 为WSIs内的瘤质量提供了增强的分析能力.
- 代表了乳腺癌病理学的临床应用和诊断程序的有希望的进步.
