增强型组织病理学:通过深度学习和组合技术增强结肠癌检测
J Gowthamy1, S S Subashka Ramesh1
1Department of Computer Science and Engineering, SRM Institute of Science and Technology, Ramapuram Campus, Chennai, India.
Microscopy research and technique
|September 30, 2024
概括
这项研究引入了一种深度学习方法,用于通过组织病理图像进行增强的结肠癌检测和分类. 新型混合型号的准确率达到了98.84%,改善了诊断能力.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 结肠癌是一个重大的全球健康挑战,死亡率很高.
- 早期和准确的检测对于有效的治疗和改善患者存活率至关重要.
- 组织病理图像分析是诊断结肠癌亚型的关键.
研究的目的:
- 开发和评估一个深度学习模型,以提高结肠癌的检测和分类.
- 为了提高从组织病理图像诊断结肠癌的准确性和效率.
- 为了利用先进的人工智能技术,在结肠癌护理中获得更好的患者结果.
主要方法:
- 使用CRC-VAL-HE-7K数据集对组织病理性结肠癌图像进行分析.
- 实施了混合深度学习模型,将卷积神经网络 (CNN) 和特征提取的变压器结合起来.
- 采用语网络,以提高分类准确性的注意力机制,并结合了混合粒子群优化 (PSO) 和矮人蒙古斯优化 (DMO) 进行模型调整.
主要成果:
- 拟议的深度学习模型在结肠癌组织的多类分类中实现了最高的准确率98.84%.
- 该模型在各种分析指标上,与现有方法相比,表现优越.
- 混合PSO-DMO优化算法有效微调模型参数,增强分类能力.
结论:
- 开发的深度学习方法显著提高了结肠癌检测和分类准确度.
- 混合CNN-变压器模型与注意力和语网络提供了一个强大的解决方案,用于他的病理图像分析.
- 这项研究强调了先进的人工智能在改善结肠癌诊断精度方面的潜力.
