通过一种新的集成CNN方法,通过跳过机制和基于GAN的增强,通过基于集群的智能系统来增强先进的宫细胞分类

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:

• 宫癌是一个重大的全球健康挑战,需要先进的早期检测技术来改善患者的预后和治疗结果.
• 早期诊断对于有效的干预至关重要,显著降低与宫癌相关的死亡率.

研究的目的:

• 开发和评估一个定制的卷积神经网络 (CNN) 模型,以准确检测宫癌细胞.
• 通过结合灵感来自ResNet架构的跳过连接来增强CNN模型的功能提取能力和稳定性.

主要方法:

• 一个新的CNN架构被设计成卷积,最大聚合,掉落和密集层,整合跳过连接以改善梯度流和空间信息保存.
• SIPaKMeD数据集包括5个类别的4049张宫细胞图像,用于模型培训和验证.
• 用生成对抗网络 (GAN) 来增强数据,以解决阶级不平衡并增强数据集多样性.

主要成果:

• 拟议的CNN模型实现了五种不同的宫细胞类型的高分类准确性:小细胞,表面介质细胞,基细胞,皮细胞和转移性细胞.
• 该模型表现出卓越的性能,训练准确率为99.82%,验证准确率为99.11%.
• 跳过连接的整合显著提高了模型识别子宫细胞图像中微妙模式的能力.

结论:

• 开发的CNN模型代表了计算机辅助子宫癌检测系统的可靠进展.
• 该模型在分类宫细胞类型中的高准确性具有显著的潜力,可以提高早期检测和诊断,最终改善患者的治疗结果.