使用边缘注意力卷积神经网络诊断质囊和非囊
Nivedan Yakolli1, Divya B Shivanna1, Roopa S Rao2
1Department of Computer Science and Engineering, Faculty of Engineering and Technology, Ramaiah University of Applied Sciences, Bengaluru, India.
Minerva dental and oral science
|September 27, 2024
概括
使用边缘注意力CNN的自动化组织病理识别模型在诊断口腔致瘤 (OKC) 和非瘤 (Non-KC) 中实现了96.8%的准确性,提高了诊断速度和精度.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 机器学习在组织病理学中的应用.
背景情况:
- 开发用于大囊的自动化组织病理学识别.
- 使用切口活检样本,区分臭性角囊 (OKC) 和非角囊 (Non-KC).
- 使用血素和素 (H&E) 染色的部分.
研究的目的:
- 为OKC和非KC创建一个自动化组织病理学识别模型.
- 提高口腔病理学诊断速度和精度.
- 为了指导临床治疗决策.
主要方法:
- 边缘注意力卷积神经网络 (CNN) 模型的实施.
- 使用Keras功能API分析图像纹理特征.
- 在2861个显微镜图像 (40倍放大) 上进行培训,来自54个OKC,23个牙状囊 (DC) 和20个根状囊.
主要成果:
- 实现了96.8%的准确性,适合实时应用.
- 边缘注意力CNN有效地突出显示图像边缘,用于精确的纹理分析.
- 用RGB和的边缘检测图像用于模型训练.
结论:
- 拟议的方法使OKC和非KC的自动诊断成为可能.
- 整个幻灯片成像扫描仪可能会提高准确性并减少人类偏见.
- 该模型支持用于囊的自动诊断系统.
