MR_NET:一种通过可解释的卷积神经网络从组织图像中检测和定位乳腺癌的方法
Rachele Catalano1, Myriam Giusy Tibaldi1, Lucia Lombardi1
1Department of Medicine and Health Sciences "Vincenzo Tiberio", University of Molise, 86100 Campobasso, Italy.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
这项研究介绍了MR_Net,这是一种新型的深度学习模型,用于在组织图像中准确检测和定位乳腺癌. 可解释的热图可以帮助临床医生进行早期诊断和决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌是全球女性的主要癌症,需要精确的早期检测以改善结果.
- 组织病理图像分析对于诊断乳腺癌至关重要,但可能耗时且主观.
- 深度学习为自动化和提高从组织图像中检测乳腺癌的准确性提供了潜力.
研究的目的:
- 开发和评估一种新的深度学习模型MR_Net,用于准确检测和定位乳腺癌.
- 将MR_Net的性能与已建立的深度学习模型 (如EfficientNet,ResNet50,VGG-16/19和MobileNet) 进行比较.
- 引入可解释的人工智能方法,使用热图,可视化模型预测并帮助临床解释.
主要方法:
- 利用组织学乳腺组织图像的数据集进行培训和验证.
- 实施和微调各种卷积神经网络 (CNN),包括自定义的MR_Net,EfficientNet,ResNet50,VGG-16/19和MobileNet.
- 开发了一种热图生成技术,用于对图像分析中感兴趣的区域进行可视化.
主要成果:
- 在组织学图像中,MR_Net在检测和定位乳腺癌方面表现出高准确度.
- 对比分析显示,MR_Net的潜力可以超过或与现有的深度学习模型相匹配.
- 生成的热图有效地突出显示可疑区域,与良性,非典型和恶性瘤存在相关.
结论:
- 拟议的MR_Net为准确和高效的乳腺癌检测和定位提供了一个有前途的工具.
- 通过热图来解释AI可以提高模型透明度和临床实用性.
- 这种深度学习方法有可能加速诊断并支持乳腺癌管理中的临床决策.
