评估不同的U-Net骨干在细分结直肠腺癌从H&E基因病理学
Sagarika Sengupta1, Genevieve Chyrmang1, Kangkana Bora1
1Department of Computer Science and IT, Cotton University, Guwahati, Assam 781001, India.
Pathology, research and practice
|January 18, 2025
概括
深度学习模型,特别是U-Net与DenseNet121和ResNet50骨干,显示了在组织病理图像中准确检测结直肠腺癌的前景,有助于早期诊断.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学中使用人工智能
背景情况:
- 结肠直肠腺癌占结肠直肠癌的95%,死亡率很高.
- 早期发现和诊断对于改善患者的治疗结果至关重要.
- 需要自动化系统来识别腺癌.
研究的目的:
- 探索基于深度学习的细分方法,用于在结直肠组织病理图像中识别腺癌.
- 为了比较不同背骨的各种U-Net架构的性能.
主要方法:
- 使用深度学习模型的二进制细分.
- 评估了U-Net,注意力U-Net和U-Net与ResNet50,MobileNet-v2,EfficientNetB0和DenseNet121的骨干. 这是一个很好的选择.
- 基于准确度指标进行模型性能比较.
主要成果:
- 使用DenseNet121骨干的U-Net实现了93.81%的训练准确率和90.21%的测试准确率.
- 使用ResNet50骨干的U-Net实现了93.39%的训练准确率和89.81%的测试准确率.
- 与其他评估方法相比,这两种模型表现出优越的性能.
结论:
- 深度学习模型,特别是U-Net与DenseNet121和ResNet50骨干,对于细分结直肠腺癌是有效的.
- 这些模型显示了开发用于早期癌症检测的自动化系统的潜力.
