基于平衡优化的集体CNN框架用于乳腺癌多类分类,使用组织病理图像

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:

• 乳腺癌仍然是女性死亡的主要原因之一.
• 早期检测和准确诊断对于有效治疗和降低死亡率至关重要.
• 组织病理学图像对于乳腺癌的诊断和分期至关重要.

研究的目的:

• 开发一种高性能深度学习模型,用于诊断八种类型的乳腺癌.
• 解决图像分析的挑战,包括数据不平衡和模型过拟合.
• 提出一个新的模型,MultiHisNet,用于改进乳腺癌分类.

主要方法:

• 利用了BreakHis数据集中的基因病理图像.
• 微调了20个最先进的深度学习模型.
• 开发和评估了20个定制模型,包括新的MultiHisNet.Net.
• 使用表现最佳的模型和平衡优化器创建了一个集合模型.

主要成果:

• 新的MultiHisNet模型在多类乳腺癌分类中实现了94.69%的准确性.
• 拟议的整体模型在八类乳腺癌检测中达到96.71%的准确性.
• 该研究确定了有效模型性能的关键组件,例如注意力模块和剩余链接.

结论:

• 开发的深度学习模型,特别是集体方法,在乳腺癌诊断中表现出高准确性.
• 这些发现表明,拟议的模型可以作为一个有价值的工具来协助病理学家.
• 这项研究有助于通过人工智能推进自动化乳腺癌诊断.