基于模糊深度学习的卵巢癌检测和分类的深度学习方法
Eman I Abd El-Latif1, Mohamed El-Dosuky2,3, Ashraf Darwish4,5
1Faculty of Science, Benha University, Benha, Egypt. eman.mohamed@fsc.bu.edu.eg.
Scientific reports
|November 3, 2024
概括
一个使用深度学习和模糊逻辑的自动化系统可以从组织病理学图像准确地检测和分类卵巢癌. 这种方法增强了癌症诊断的早期检测和标准化.
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:
- 卵巢癌的检测和分类依赖于个体瘤学家对组织病理学整片图像的解释.
- 一个标准化和准确的自动化系统对于早期发现卵巢癌和改进决策至关重要.
研究的目的:
- 开发一种自动化系统,以准确和标准化检测和分类卵巢癌,使用组织病理学图像.
- 通过先进的计算方法增强早期诊断能力.
主要方法:
- 使用ResNet-50模型从组织病理学图像中提取特征.
- 使用决策树来消除递归特征以改进提取的特征.
- 将深度学习与模糊逻辑集成为最终的图像分类.
- 使用Adam优化器优化网络权重.
主要成果:
- 该系统实现了高诊断性能,98.99%的准确性,99%的灵敏性,98.96%的特异性和99%的F1分数.
- 数据集包括78名患者的288张血素和素 (H&E) 染色全片图像.
- 该模型显示了对有效 (162) 和无效 (126) WSIs 的分类潜力.
结论:
- 拟议的模糊深度学习分类器显示出对精确预测卵巢癌的重大前景.
- 自动化系统可以在瘤学中为组织病理学分析提供更标准化和更准确的方法.
- 这项技术有可能帮助瘤学家在早期检测和分类卵巢癌.
