探索各种CNN架构在诊断状细胞癌的口腔癌中的有效性
Prerna Kulkarni1, Nidhi Sarwe1, Abhishek Pingale1
1Department of CSE (AIML), Vishwakarma Institute of Information Technology, Kondhwa (Budruk) Pune, Maharashtra 411048, India.
MethodsX
|November 29, 2024
概括
深度学习可以准确地检测口腔状细胞癌 (OCSCC) 和口腔发育不良. 移动NetV2实现了95.41%的准确性,显示了早期计算机辅助诊断的前景.
科学领域:
- 在瘤学瘤学.
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 口腔癌,特别是口腔状细胞癌 (OCSCC),存在诊断挑战,通常在晚期被发现.
- 计算机辅助诊断 (CAD) 方法正在成为改善早期检测的关键工具.
- 口腔细胞的突变可能导致OCSCC的发展.
研究的目的:
- 评估深度学习模型的有效性,以对口腔状细胞癌 (OCSCC) 和口腔发育不良进行分类.
- 确定最佳的深度学习架构和性能先决条件,以准确检测OCSCC.
主要方法:
- 使用了包括VGG16,ResNet50,LeNet-5,MobileNetV2和Inception V3.3在内的深度学习模型.
- 采用NEOR和OCSCC数据集,将虚拟幻灯片图像划分为进行分类.
- 分析了性能指标,如准确性,F1得分,AUC,精度和回忆.
主要成果:
- 深度学习方法在分类OCSCC和口腔发育不良方面表现出有效性.
- 移动NetV2实现了最高的分类准确率95.41%.
- 分析了性能指标,以确定最佳卷积神经网络 (CNN) 性能的先决条件.
结论:
- 基于CNN的方法,特别是MobileNetV2,显示了OCSCC和口腔发育不良的早期诊断的巨大潜力.
- 通过精度,回忆和F1分数分析优化CNN模型选择是诊断准确性的关键.
