ML3CNet:非局部手段辅助的肺癌亚型分类自动框架,使用组织病理图像进行分类
Anurodh Kumar1, Amit Vishwakarma1, Varun Bajaj2
1PDPM Indian Institute of Information Technology, Design and Manufacturing, Jabalpur, 482005, India.
Computer methods and programs in biomedicine
|May 9, 2024
概括
这项研究引入了一种新的深度学习模型,用于从组织病理图像准确地分类肺癌. 拟议的ML3CNet实现了高精度,有助于早期检测和改善患者的治疗结果.
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:
- 肺癌 (LC) 是一个重大的全球健康挑战,死亡率高.
- 早期发现LC对于改善患者的生存率和启用预防措施至关重要.
- 传统的组织病理学诊断是耗时和主观的,需要先进的诊断工具.
研究的目的:
- 开发一种有效的基于卷积神经网络 (CNN) 的架构,用于使用基因病理图像对肺组织亚型进行分类.
- 解决手动检查和传统机器学习方法在肺癌诊断中的局限性.
主要方法:
- 使用非局部平均值 (NLM) 过器来降低基因病理图像中的噪声,保持图像边缘.
- 提出了一种用于图像分析的多头肺癌分类卷积神经网络 (ML3CNet).
- 实现了模型量化,以减少ML3CNet的大小,以实现高效的存储和更快的处理.
主要成果:
- ML3CNet模型实现了高性能指标,包括99.72%的平均分类准确度,99.66%的灵敏度和99.64%的精度.
- 该模型的量子化版本达到98.92%的准确性.
- 该模型的适用性在结肠癌数据集上得到验证.
结论:
- 拟议的方法提供了一个精确的,自动化的方法来分类肺癌亚型,支持临床决策.
- ML3CNet模型展示了在像Raspberry Pi这样的硬件上实践实施的潜力,用于现实世界的应用.
