使用Dense CapsNet与Seg-UNet以及无效的自编码器对子宫癌进行分类
Hui Yang1, Walid Aydi2,3, Nisreen Innab4
1Department of Critical Medicine, Baoshan People's Hospital, Baoshan, 678000, Yunnan Province, China. huiyangscientif@outlook.com.
Scientific reports
|December 31, 2024
概括
这项研究引入了一种新的深度学习方法来检测宫癌,达到99.65%的准确性. 该方法通过改善图像细分和早期诊断的分类来增强传统的巴氏涂片分析.
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:
- 宫癌需要通过诸如巴氏涂片检测等方法进行早期检测,这些方法可能容易出现人为错误.
- 现有的机器学习和深度学习模型在准确的宫细胞细分和歪曲的数据分布方面扎.
研究的目的:
- 开发一个先进的深度学习框架,以改善宫癌分类.
- 克服当前诊断方法的局限性,特别是细分困难和数据不平衡.
主要方法:
- 一个五阶段的方法:预处理 (对比度最大化),数据增强 (m-GAN),细分 (Seg-UNet),特征提取 (无声自动编码器) 和分类 (Dense CapsNet).
- 使用SIPaKMeD数据集进行培训和验证.
主要成果:
- 拟议的系统实现了高分类准确率99.65%.
- 与现有文献方法相比,表现出优越的性能.
结论:
- 集成的深度学习模型有效地解决了分段化挑战和宫癌分类中的数据偏差.
- 这种方法为准确可靠的早期检测宫异常提供了有希望的进展.
