一种混合的2D高斯过器和深度学习方法,可视化类激活,用于自动肺癌和结肠癌诊断
Omer Turk1, Emrullah Acar2, Emrah Irmak3
1Faculty of Engineering and Architecture, Department of Computer Engineering, Mardin Artuklu University, Mardin, Turkey.
Technology in cancer research & treatment
|December 5, 2024
概括
这项研究开发了使用卷积神经网络 (CNN) 早期检测肺癌和结肠癌的自动化系统. 该系统实现了99.38%的准确性,改善了这些流行癌症的诊断能力.
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:
- 肺癌和结肠癌对全球健康构成重大负担,占所有癌症诊断和死亡率的25%以上.
- 早期检测对于改善这些流行恶性瘤患者的治疗结果和生存率至关重要.
- 当前的诊断方法可能耗时,可以从自动化,高效的解决方案中受益.
研究的目的:
- 设计和评估用于早期检测肺癌和结肠癌的自动诊断系统.
- 通过高效的图像预处理和先进的机器学习模型来提高癌症检测率.
- 提供一个可解释和准确的AI驱动工具,用于组织病理癌症诊断.
主要方法:
- 利用了25500张基因病理图像的数据集,用于五种疾病:结肠腺癌,良性结肠组织,肺腺癌,良性肺组织和肺状细胞癌.
- 使用2D高斯过器进行图像预处理,以减少噪音和增强功能.
- 实现并比较了三个卷积神经网络 (CNN) 架构:MobileNet,VGG16和ResNet50,用于自动化癌症分类.
- 集成的类激活映射 (CAM) 用于模型解释性和确保安全水平.
主要成果:
- 该自动化系统在肺癌和结肠癌检测方面实现了99.38%的高诊断准确率.
- CNN模型在分类各种类型的肺和结肠组织方面表现强,包括癌症和良性样本.
- 类激活映射为模型的决策过程提供了洞察力,增强了信任和透明度.
结论:
- 开发的自动化系统在早期检测肺癌和结肠癌方面表现出高效.
- 这些发现表明,人工智能驱动的诊断工具可以显著帮助临床医生准确有效地识别这些癌症.
- 这种系统所促进的及时诊断可以导致更早的治疗干预,并可能改善患者的预后.
