从使用弹性和高效的神经网络架构的多模式图像进行结肠和肺癌分类
A Hasib Uddin1, Yen-Lin Chen2, Miss Rokeya Akter1
1Department of Computer Science and Engineering, Khwaja Yunus Ali University, Enayetpur, Chouhali, Sirajganj, 6751, Bangladesh.
Heliyon
|May 14, 2024
概括
这项研究引入了新的密集架构 (D1和D2),用于在各种数据集中准确地对结肠和肺癌图像进行分类. 这些模型表现出高精度,效率和稳定性,有望在早期癌症检测和诊断方面取得进展.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 准确分类结肠和肺癌图像对于早期检测和诊断至关重要.
- 现有的方法需要改进,以提高诊断精度.
研究的目的:
- 介绍两种新的密度架构 (D1和D2) 用于多模式癌症图像分类.
- 在各种数据集上评估它们的有效性,弹性,效率和稳定性.
主要方法:
- 开发并测试了两个新的密集架构 (D1和D2).
- 使用了多个数据集:NCT-CRC-HE-100K,CRC-VAL-HE-7K,LC25000和IQ-OTHNCCD. 这些数据集包括:
- 使用可解释的人工智能 (Grad-CAM等) 用于功能可视化.
主要成果:
- 实现了高精度 (例如,NCT-CRC-HE-100K与D1上的99.80%和LC25000与D1上的99.96%).
- 在数据子集上具有高精度的证明效率 (例如,99.19%与10%的数据).
- 组合模型 (D1+D2) 在IQ-OTHNCCD上实现了93%的准确性,超过了基准.
结论:
- 拟议的密集模型提供多模式,强大和高效的癌症图像分类.
- 这些架构显示出了促进医学诊断和早期癌症检测的巨大潜力.
- 这些模型可以通过更好的诊断工具来改善全球医疗保健的可访问性.
