通过深度学习模型的融合,提高宫癌检测和强大的分类
Sandeep Kumar Mathivanan1, Divya Francis2, Saravanan Srinivasan3
1School of Computer Science and Engineering, Galgotias University, Greater Noida, 203201, India.
Scientific reports
|May 11, 2024
概括
这项研究引入了一种基于人工智能的方法,用于使用深度学习和机器学习模型检测子宫癌. 混合方法实现了98.08%的准确性,提高了这种常见的女性癌症的早期诊断.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 宫癌是全球女性癌症死亡的主要原因之一.
- 目前的查方法,如巴氏涂抹和HPV检测,需要专家的解释,突出需要改进的诊断工具.
- 早期检测对于有效的宫癌治疗和改善患者治疗结果至关重要.
研究的目的:
- 开发和评估一种新的混合深度学习 (DL) 和机器学习 (ML) 方法,用于自动化宫癌分类.
- 利用预训练的深度神经网络从宫图像中提取复杂的特征.
- 评估各种ML算法的性能,与DL功能集成,以提高诊断准确度.
主要方法:
- 使用预训练的深度神经网络模型 (Alexnet,Resnet-101,Resnet-152,InceptionV3) 来进行图像特征提取.
- 微调的DL模型和集成的各种ML算法用于宫癌分类.
- 使用公开可访问的SIPaKMeD数据集进行模型培训和验证.
主要成果:
- 混合DL-ML方法在检测宫癌方面表现出高效.
- 作为混合模型的一部分,ResNet152实现了98.08%的显着精度.
- 该方法成功地从医疗图像中提取了复杂的特征,促进了准确的分类.
结论:
- 拟议的人工智能驱动的方法在自动化宫癌查和诊断方面提供了有前途的进步.
- 通过混合DL-ML模型的智能自动化可以显著提高医学诊断的准确性和效率.
- 这种方法为宫癌管理中的更及时,更精确的干预铺平了道路.
