BCCHI-HCNN:使用混合深度CNN模型从组织病理图像进行乳腺癌分类
Saroj Kumar Pandey1, Yogesh Kumar Rathore2, Manoj Kumar Ojha3
1Department of Computer Engineering & Applications, GLA University, Mathura, India. sarojpandey23@gmail.com.
Journal of imaging informatics in medicine
|October 14, 2024
概括
这项研究使用深层卷积神经网络 (CNN) 模型与各种分类器准确地识别乳腺癌从组织病理图像. 支持矢量机 (SVM) 与主要组件分析 (PCA) 实现了99.5%的准确性,用于早期发现乳腺癌.
科学领域:
- 在瘤学瘤学.
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 乳腺癌是全球领先的健康问题,每年有230万新病例.
- 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.
- 组织病理图像分析为先进的诊断工具提供了机会.
研究的目的:
- 开发和评估深层卷积神经网络 (CNN) 模型,用于精确的早期乳腺癌检测.
- 通过整合多个分类器来提高CNN模型的性能,包括支持向量机 (SVM),决策树和K-最近邻居 (KNN).
- 评估特征向量选择,有或没有主要成分分析 (PCA) 对诊断准确性的影响.
主要方法:
- 使用深度卷积神经网络 (CNN) 架构进行图像分析.
- 集成的转移学习技术与SVM,决策树和KNN分类器.
- 评估了两个特征向量方法:有和没有主要组件分析 (PCA).
- 将模型性能与现有的深度学习模型进行比较,使用准确度,精度,回忆率和错误/真实阳性率等指标.
主要成果:
- 与PCA功能相结合的SVM算法显示出高精度 (99.5%) 和速度.
- 决策树模型在没有PCA的情况下达到99.4%的高精度,尽管它比SVM慢.
- 这两种模型都显示出从基因病理图像准确分类乳腺癌的巨大潜力.
结论:
- 提出的基于CNN的模型,特别是与SVM和PCA一起,为提高早期乳腺癌诊断提供了一种可行的策略.
- 这种方法可以导致更有效的治疗决策和改善患者存活率.
- 该研究强调了将先进的机器学习技术集成到医学诊断中的潜力.
