深度转移学习与改进的鱼优化算法,用于口腔状细胞癌癌的癌症识别,使用基因病理图像
Mahmoud Ragab1, Turky Omar Asar2
1Information Technology Department, Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah, 21589, Saudi Arabia. mragab@kau.edu.sa.
Scientific reports
|October 25, 2024
概括
这项研究引入了一种深度学习模型,用于从基因病理图像中准确检测口腔状细胞癌 (OSCC). 这种新的SEHDL-OSCCR技术达到98.75%的准确性,改善了早期癌症诊断.
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:
- 口腔状细胞癌 (OSCC) 的诊断是具有挑战性的,因为他的病理学复杂性和可变性.
- 目前的OSCC诊断方法在效率和准确性方面存在局限性.
- 深度学习 (DL) 为瘤学中自动化,准确的医学图像分析提供了潜力.
研究的目的:
- 开发和评估一种混合深度学习模型,用于从基因病理图像中准确识别口腔状细胞癌 (OSCC).
- 简化OSCC诊断过程,使早期检测和改善患者存活率.
主要方法:
- 为口腔状细胞癌识别 (SEHDL-OSCCR) 开发了一种混合深度学习的挤压刺激模型.
- 该技术涉及用于降低噪音的双边过,用于特征提取的SE-CapsNet以及用于性能提升的改进的鱼优化算法 (ICOA).
- 分类是使用双向长短期记忆 (CNN-BiLSTM) 模型的卷积神经网络进行的.
主要成果:
- 通过SEHDL-OSCCR技术,在从组织病理图像中识别OSCC方面表现出高准确度.
- 在基准数据集上的实验验证结果准确率为98.75%.
- 拟议的方法在OSCC检测准确度方面表现优于最近的方法.
结论:
- 对于自动化和准确的OSCC诊断,SEHDL-OSCCR技术显示出显著的前景.
- 这种深度学习方法可以帮助病理学家,减少诊断周转时间,提高口腔癌检测的有效性.
- 获得的高准确性表明,在早期口腔癌诊断中可能有临床应用的潜力.
