基于组织病理学的乳腺癌预测,使用深度学习方法用于医疗保健应用
Prabhu Ramamoorthy1, Buchi Reddy Ramakantha Reddy2, S S Askar3
1Department of Electronics and Communication Engineering, Gnanamani College of Technology, Namakkal, India.
Frontiers in oncology
|June 19, 2024
概括
这项研究引入了深度学习方法来检测乳腺癌 (BC),使用增强的组织病理图像. 这种新的方法在从医疗图像中分类乳腺癌亚型时达到很高的准确性.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算病理学计算病理学
- 医疗保健中的人工智能
背景情况:
- 乳腺癌 (BC) 是女性癌症死亡的主要原因,需要准确有效的诊断工具.
- 针对BC诊断的组织病理图像的手动分析是复杂的,耗时的,容易出现错误的.
- 深度学习为医学成像中的自动检测和分类提供了有希望的解决方案.
研究的目的:
- 开发和评估一种深度学习模型,以使用组织病理图像准确诊断乳腺癌.
- 提高分类准确度,减少乳腺癌检测中的错误阳性.
- 利用图像增强技术,从医疗数据集中更好地提取特征.
主要方法:
- 利用BreakHis和侵入性导管癌 (IDC) 数据集进行基因病学图像分析.
- 使用超分辨率生成对抗网络 (SRGANs) 进行低质量的图像的预处理.
- 实施数据增强技术,包括旋转,裁剪,镜像和颜色转移.
- 使用Inception V3和Resnet-50 (PFE-INC-RES) 应用基于补丁的特征提取.
- 集成的传导性长期短期内存 (TLSTM) 提高了分类准确度.
主要成果:
- 在BreakHis数据集上,PFE-INC-RES模型实现了高性能,准确率为99.84%,特异性为99.71%,灵敏度为99.78%,F1-score为99.80%.
- 在IDC数据集上,该模型表现出强的结果,准确率为99.79%,特异性为98.97%,灵敏度为99.17%,F1-score为99.08%.
- 综合方法显著提高了分类准确性,并减少了假阳性.
结论:
- 拟议的深度学习框架,PFE-INC-RES与TLSTM,在分类乳腺癌组织病理图像方面表现出卓越的性能.
- 基于SRGAN的图像增强和数据增强在提高诊断模型的稳定性方面是有效的.
- 这种人工智能驱动的方法有可能帮助病理学家准确有效地诊断乳腺癌.
