一个改进的AlexNet深度学习方法用于四肢瘤癌的预测和检测
Arunachalam Perumal1, Janakiraman Nithiyanantham2, Jamuna Nagaraj3
1Department of Biomedical Engineering, Vel Tech Rangarajan Dr Sagunthala R&D Institute of Science and Technology, Chennai, 600062, India.
Biomedical physics & engineering express
|October 22, 2024
概括
这项研究引入了一种改进的深度学习模型,用于从病理图像中诊断突肉瘤 (SS). 这种新的方法提高了诊断准确度,有助于更早地检测这种罕见的软组织癌症.
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:
- 突肉瘤 (SS) 是一种罕见的软组织癌症,需要早期检测以改善患者的治疗结果.
- 数字病理学提供了提高诊断准确性的潜力,但在图像质量和复杂特征识别方面面临挑战.
- 目前SS的诊断方法可能是有限的,需要先进的计算方法.
研究的目的:
- 开发和评估一个改进的深度学习模型,以使用数字病理图像准确诊断突肉瘤 (SS).
- 通过架构修改和先进的预处理技术,提高卷积神经网络 (CNN) 的SS检测性能.
- 建立一种更精确,更有效的方法来识别病理样本中的SS.
主要方法:
- 一个基于改进的AlexNet架构的卷积神经网络 (CNN) 为SS分类而开发.
- 图像预处理包括数据集增强,自适应介质过 (AMF) 和图表平衡以减少噪音和提高质量.
- 特征提取利用了灰级共发生矩阵 (GLCM) 和改进的线性差异分析 (ILDA),并使用重复阶段级集合分割 (RPLSS) 进行细分.
主要成果:
- 与现有方法相比,改进的AlexNet模型在诊断SS方面表现出优异的性能.
- 关键性能指标显示显著改善:准确度 (3%),灵敏度 (1.70%),特异性 (6.08%),以及曲线下的面积 (AUC) (8.86%).
- 增强的架构带有额外的卷积层和大小更改的输入,有助于模型的优越诊断能力.
结论:
- 提议改进的AlexNet CNN模型提供了一个高度准确和有效的工具,用于从数字病理图像中自动诊断突肉瘤.
- 这种深度学习方法有可能显著提高结核肉瘤的早期检测率和随后的患者存活率.
- 这项研究强调了将先进的图像处理技术与深度学习相结合的有效性,以挑战癌症诊断.
