灰色水平共发生矩阵和卷积神经网络的融合模型面临着对他的病理图像的融合模型
Shanxiang Wang1, Xiaoxue Zhao1, Hao Guo1,2
1School of Mechanical and Electric Engineering, Soochow University, Suzhou 215123, China.
The Review of scientific instruments
|October 25, 2024
概括
这项研究引入了一种用于增强癌细胞图像识别的新型融合模型. 通过将来自灰色共发生矩阵特征的原始和人工图像结合起来,该模型在分类遗传病理图像时达到99.31%的准确性.
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:
- 精确的癌细胞图像识别对于诊断和治疗至关重要.
- 深度学习,特别是卷积神经网络,有助于分类组织病理图像,但随着网络深度的增加而面临准确性挑战.
- 特性提取对于提高图像分类性能至关重要.
研究的目的:
- 为癌细胞图像识别开发一个改进的深度学习模型.
- 为了提高组织病理学图像的分类准确性.
- 探索灰色共发生矩阵特征在癌症诊断中的实用性.
主要方法:
- 从基因病理图像中提取了灰色共发生矩阵特征.
- 重组特征成一个16x16x3的人工图像.
- 合并原始和人工图像使用软max输出总和.
- 使用了1500张图像的训练集和500张图像的验证/测试集.
主要成果:
- 融合模型在准确性,精度,回忆和F1分数方面取得了显著的改进.
- 获得了99.31%的平均分类准确率.
- 在精度上表现优于传统的卷积神经网络模型.
结论:
- 拟议的融合模型有效地提高了组织病理图像的分类性能.
- 这种方法对推进癌症病理学中计算机辅助诊断的前景充满希望.
- 该方法为准确的癌细胞图像识别提供了强大的解决方案.
