自动肺癌和结肠癌分类使用组织病理学图像

科学领域:

• 医疗图像分析 医学图像分析
• 计算病理学计算病理学
• 人工智能在瘤学中的应用

背景情况:

• 癌症仍然是全球主要的死亡原因,肺癌和结肠癌是导致死亡和疾病的重要原因.
• 精确有效地对组织病理图像进行分类,对于及时诊断癌症和治疗计划至关重要.

研究的目的:

• 开发一种自动化系统,使用组织病理学图像对肺癌和结肠癌进行分类.
• 为了评估Swin Transformer V2模型与其他深度学习架构的性能,用于此分类任务.

主要方法:

• 利用LC25000数据集,包括肺癌和结肠癌的组织病理图像.
• 开发了一个以Swin Transformer V2模型为中心的深度神经网络分类系统.
• 雇佣了数据分割,飞行中的图像增强,培训,验证和5倍交叉验证,以进行可靠的绩效评估.
• 使用包括精度,卡帕,混矩阵,精度,回忆和F1分数在内的指标评估模型性能.

主要成果:

• 在所有评估指标上,Swin Transformer V2 模型获得了完美的分数 (100% 准确率).
• 这代表了第一个在LC25000数据集上获得完美的分类结果的单一模型.
• 对比实验证明了Swin Transformer V2在主流卷积神经网络和其他视觉转换器上的优越性能.

结论:

• 开发的自动分类系统,由Swin Transformer V2提供动力,在区分肺癌和结肠癌与组织病理学图像方面表现出卓越的性能.
• 这种人工智能驱动的方法有可能成为帮助病理学家的宝贵工具,提高癌症诊断的准确性和效率.