集成基于深度学习的乳腺癌亚型和侵袭性诊断图像分类从整个幻灯片图像组织病理学
Aadhi Aadhavan Balasubramanian1, Salah Mohammed Awad Al-Heejawi2, Akarsh Singh2
1Khoury College of Computer Sciences, Northeastern University, Boston, MA 02115, USA.
Cancers
|June 27, 2024
概括
这项研究使用集体深度学习来分析乳腺癌组织病理学图像. 人工智能模型在分类癌症类型方面取得了很高的准确性,有助于诊断并可能改善患者的治疗结果.
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:
- 准确的乳腺癌诊断和分类对于有效的患者管理至关重要.
- 组织病理学图像分析是乳腺癌诊断的基石.
- 深度学习为自动化和增强图像分析提供了潜力.
研究的目的:
- 开发和评估一个集体深度学习方法用于乳腺癌组织病理学图像分类.
- 在两个不同的数据集 (BACH和BreakHis) 上评估拟议方法的性能.
- 研究一种新型图像补丁技术对高分辨率图像分析的实用性.
主要方法:
- 我们使用了集体深度学习模型 (VGG16,ResNet50,ResNet34).
- 为了预处理高分辨率WSIs,引入了一种新的图像修补技术.
- 这些模型在BACH和BreakHis数据集上进行了训练和测试,使用五倍交叉验证.
主要成果:
- 整体模型在BACH数据集上实现了95.31%的补丁分类准确度.
- 集合模型在BreakHis数据集上实现了98.43%的WSI图像分类准确度.
- 该方法在分类各种乳腺癌亚型方面表现出高精度.
结论:
- 集团深度学习,加上图像补丁,是乳腺癌组织病理学图像分析的强大工具.
- 开发的方法显示出对推进人工智能驱动的乳腺癌诊断的重大前景.
- 这项研究可以有助于改善患者的治疗结果,并减少医疗保健负担.
