相关实验视频
Updated: Jun 21, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
对乳腺癌的基于注意力的深度学习方法 组织病理图像多重分类
Lama A Aldakhil1, Haifa F Alhasson1, Shuaa S Alharbi1
1Department of Information Technology, College of Computer, Qassim University, Buraydah 52571, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|July 13, 2024
概括
这项研究介绍了高效通道空间注意网络 (ECSAnet),用于从基因病理图像改进乳腺癌诊断. ECSAnet增强了深度学习模型,在分类乳腺癌亚型方面实现了高准确性和更好的概括性.
科学领域:
- 数字病理学数字病理学
- 计算生物学是一种计算生物学.
- 医学成像分析分析 医学成像分析
背景情况:
- 从组织病理学图像进行乳腺癌诊断是具有挑战性的,因为时间限制和潜在的人类错误.
- 深度学习提供了更高的准确性和效率,但面临着小数据集和微妙变化的局限性.
- 注意力机制可以在深度学习模型中增强特征表示.
研究的目的:
- 为准确和高效的乳腺癌分类提出有效通道空间注意网络 (ECSAnet).
- 评估ECSAnet的性能与已建立的深度学习架构相比.
- 评估注意力机制和斑点正常化对诊断准确性的影响.
主要方法:
- 通过将EfficientNetV2与卷积块注意模块 (CBAM) 集成,开发了ECSAnet.
- 在BreakHis数据集上微调ECSAnet,使用雷因哈德染色正常化和图像增强.
- 对比了ECSAnet与AlexNet,DenseNet121,EfficientNetV2-S,InceptionNetV3,ResNet50和VGG16.16的业绩,并将其与ECSAnet的业绩进行了比较.
主要成果:
- 在不同放大度上,ECSAnet实现了高分类精度:94.2% (40×),92.96% (100×),88.41% (200×) 和89.42% (400×).
- 与其他基准模型相比,ECSAnet在大多数测试设置中表现优越.
- 该研究证实了CBAM在提高分类准确度和染色正常化的重要性方面的有效性.
结论:
- 在深度学习中,ECSAnet代表了乳腺癌病理学图像分析的重大进步.
- 整合注意力机制和适当的数据预处理对于强大的诊断工具至关重要.
- 这些发现表明,ECSAnet有可能提高乳腺癌诊断的效率和可靠性.
