一种轻量级的深度学习方法,用于识别不同类型的宫癌
Md Humaion Kabir Mehedi1, Moumita Khandaker1, Shaneen Ara2
1Department of Computer Science and Engineering, BRAC University, Dhaka, Bangladesh.
Scientific reports
|November 28, 2024
概括
一个新的深度学习模型,CCanNet,有效地检测子宫癌类型,准确率为98.53%. 这种轻量级模型显著优于现有方法,在早期癌症检测方面提供了有前途的进步.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 宫癌,通常源于人类乳头瘤病毒 (HPV) 感染,是女性的重大全球健康问题.
- 早期发现由宫内皮质瘤 (CIN) 引起的宫癌,对于有效治疗和改善患者的治疗结果至关重要.
研究的目的:
- 开发和评估一种新的,轻量级的深度学习模型 (CCanNet),以高效准确地检测宫癌.
- 使用公共数据集,将CCanNet的性能与已建立的转移学习和变压器模型进行比较.
主要方法:
- 设计了一个新的深度学习架构,CCanNet,集成挤压块,残余块和跳过层连接.
- 使用SipakMed数据集进行了比较分析,对CCanNet与VGG19,MobileNetV2,ConvNeXT和Swin Transformer等模型进行了评估.
- 模型性能使用包括准确性,精度,回忆和F1分数在内的指标进行评估,用于结果验证的可解释AI (XAI).
主要成果:
- CCanNet实现了98.53%的高精度,超过了所有与之比较的最先进模型.
- 拟议的CCanNet模型在评估的模型中显示了最小的参数数量 (1,274,663),表明了高效率.
- 综合评估指标证实了CCanNet在宫癌检测中的卓越性能和可靠性.
结论:
- 开发的CCanNet模型为宫癌检测提供了一个高度准确和计算高效的解决方案.
- CCanNet的表现表明其作为临床环境中用于早期诊断和治疗宫癌的有价值工具的潜力.
- 集成XAI确保了CCanNet诊断能力的可靠性和可解释性.
