提高巴氏涂片图像分类:整合转移学习和注意力机制,以更好地检测宫异常
Tamanna Sood1, Padmavati Khandnor1, Rajesh Bhatia1
1CSE Department, Punjab Engineering College (Deemed to be University), Chandigarh, India.
Biomedical physics & engineering express
|October 8, 2024
概括
深度学习模型显著改善了从巴氏涂片图像的宫癌检测. 将预处理,转移学习 (TL) 和注意力机制结合起来,可使早期诊断的准确度提高到98%以上.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 宫癌是一个重要的全球健康问题,不成比例地影响女性.
- 通过查 (例如,巴氏涂抹) 及早检测对于有效治疗和改善结果至关重要.
- 手动分析巴氏涂片图像是耗时的,容易出错,需要专门的专业知识.
研究的目的:
- 通过使用深度学习,从巴氏涂片图像中增强自动化宫癌检测.
- 通过转移学习 (TL) 和注意力机制来提高分类性能.
- 评估预处理技术对诊断准确性的影响.
主要方法:
- 实施了预处理管道,包括图像规范化,大小调整和面向梯度 (HOG) 的直方图.
- 使用了深度学习模型 (ResNet和Xception) 的转移学习 (TL).
- 集成了一个注意力机制,以关注相关的图像特征.
- 在培训和验证中使用了门德利基于液体的细胞学 (LBC) 数据集.
主要成果:
- 在原始数据上,ResNet模型的准确性从63.95%提高到预处理和注意后的96.74%.
- 该Xception模型实现了最高的准确性 (98.95%) 与卓越的精度 (0.97),回忆 (0.99),和F1-Score (0.98).
- 结合预处理,TL和注意力机制显著提高了自动检测性能.
结论:
- 先进的深度学习技术,包括预处理,TL和注意力,对于自动化宫癌检测非常有效.
- 这些方法为手动图像分析提供了可靠,准确和高效的替代方案.
- 这些发现表明,在宫癌查中改善临床实践和患者结果的潜力.
