增强的胃癌分类和量化可解释框架使用数字组织病理学图像
Muhammad Zubair1, Muhammad Owais2, Tahir Mahmood3
1Faculty of Information Technology & Computer Science, University of Central Punjab, Lahore, Punjab, Pakistan.
Scientific reports
|September 28, 2024
概括
一个新的胃组织学分类和细分 (GHCS) 框架改善了用于胃癌检测的计算机辅助诊断. 这种新的系统增强了组织病理学图像的分类和细分,在数据集中提供了强大的性能.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 医疗图像分析 医学图像分析
背景情况:
- 计算机辅助诊断 (CAD) 系统对于分析胃癌 (GC) 检测中的组织病理图像至关重要.
- 目前用于GC分类和细分的CAD模型需要进一步改进,以提高准确性和稳定性.
研究的目的:
- 引入一种新的胃组织学分类和细分 (GHCS) 框架.
- 与当前的CAD模型相比,在GC分类和细分方面实现适度但有意义的改进.
- 为了提高CAD系统的稳定性和通用性,用于胃组织病理学分析.
主要方法:
- 开发了一个新的GHCS框架,结合了期望最大化的天真贝叶斯分类器和更新的高斯混合模型.
- 采用了改进的Fuzzy c-means方法来对其病理学图像进行细分.
- 利用适应性专注于相关的图像特征,以提高模型性能.
- 集成的Grad-CAM可视化用于模型解释性.
主要成果:
- 实现了高分类准确度:98.87% (验证) 和98.47% (测试) 在一个数据集上,以及97.28% (验证) 和97.31% (测试) 在另一个数据集上.
- 与胃组织病理学图像分类中的现有技术相比,显示出轻微但持续的改善.
- 在GC基因病理图像细分中,超越了最先进的细分模型,在GC基因病理图像细分中,Dace系数为65.21%和Jaccard指数为60.24%.
- 该模型在处理可变性和对不同数据集进行概括方面表现出稳健性.
结论:
- 拟议的GHCS框架通过加强组织病理图像的分类和细分来提高胃癌检测的性能.
- 该框架的稳定性和对数据集的概括能力表明了改善临床应用的潜力.
- 通过Grad-CAM提供的可解释性提高了使用CAD系统的临床医生对CAD系统的信任和理解.
