深度学习模型的整体方法用于对乳腺癌组织病理图像的二进制和多类分类
Madhumita Pal1, Ganapati Panda2, Ranjan K Mohapatra3
1Department of Electrical Engineering, Government College of Engineering, Keonjhar, Odisha 758002, India.
Pathology, research and practice
|October 12, 2024
概括
视觉转换器 (ViT) 深度学习模型在从组织病理图像中检测乳腺癌方面表现出高准确性. 这项研究强调了ViT作为早期乳腺癌诊断的有希望的工具,有可能减少人为错误.
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:
- 乳腺癌 (BC) 是女性癌症死亡的主要原因,侵袭性导管癌是特别致命的.
- 准确和早期诊断对于有效的治疗和改善患者结果至关重要.
- 组织病理图像分析是诊断乳腺癌亚型的关键组成部分.
研究的目的:
- 实施和评估用于乳腺癌瘤检测和分类的深度学习模型.
- 使用Break His数据集,比较视觉变压器 (ViT),Convmixer和VGG-19模型的性能.
- 确定最有效的深度学习模型,以准确诊断乳腺癌.
主要方法:
- 三种深度学习模型 (ViT,Convmixer,VGG-19) 应用于BreakHis基因病理图像数据库.
- 模型使用80:20数据分割进行训练.
- 使用包括准确性,精度,回忆,F1得分和AUC.在内的指标来评估性能.
主要成果:
- ViT在二进制分类中取得了卓越的表现,准确率为99.89%,精度为98.29%,回忆率为98.29%,F1得分为98.29%.
- 对于八个类别的分类,ViT表现出高精度 (98.21%),精度 (89.84%),回忆 (89.97%) 和F1得分 (88.75).
- 与ViT单独相比,将ViT与Convmixer组合在一起导致性能下降.
结论:
- 视觉转换器 (ViT) 是一种高效的深度学习模型,用于从基因病理图像中检测和分类乳腺癌.
- 这些发现表明,ViT可以显著提高早期乳腺癌诊断的准确性.
- 这项研究有助于尽量减少诊断错误,并优化乳腺癌的治疗策略.
