一个基于多个补丁的深度学习模型与VGG19用于病理图像中的乳腺癌分类
Anitha Ponraj1, Palanigurupackiam Nagaraj1, Duraisamy Balakrishnan1
1Department of Computer Science and Engineering, Kalasalingam Academy of Research and Education, Krishnankoil, Tamil Nadu, India.
Digital health
|January 22, 2025
概括
这项研究介绍了MPa-DCAE,这是一种用于乳腺癌检测和分类在组织病理学图像中的新型深度学习方法. 配备VGG19的多补丁深卷积自动编码器 (DCAE) 实现了高精度,改善了计算机辅助诊断.
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:
- 正确的乳腺癌分层是必不可少的,因为不同的亚型和预后.
- 目前的基因表达方法在捕捉组织复杂性方面存在局限性.
- 在医学成像中有效检测和分类对于患者的治疗结果至关重要.
研究的目的:
- 引入一种新的方法,MPa-DCAE,用于乳腺癌的检测和分类在组织病理学图像.
- 为了利用与VGG19.19相结合的多补丁深卷积自动编码器 (DCAE) 框架.
- 通过自动化图像分析,提高乳腺癌诊断的准确性和效率.
主要方法:
- 利用多补丁方法从病理图像中进行本地化的特征学习.
- 集成的VGG19用于DCAE框架内的层次特征提取.
- 员工通过自动编码器进行无监督的功能学习,以提高适应性.
主要成果:
- 与现有方法相比,MPa-DCAE模型显示出更高的性能.
- 在CBIS-DDSM和MIAS数据集上实现了高精度 (97.96-97.99%),回忆力 (94.85-97.2%) 和准确性 (98.36-98.95%).
- 验证的模型稳定性和临床计算机辅助诊断的潜力.
结论:
- 该MPa-DCAE模型提供了一个有效的,自动化解决方案,用于乳腺癌诊断在他的病理学.
- 高度准确性和通用性表明临床实践的巨大潜力.
- 这种方法可以改善基于组织病理学的乳腺癌诊断中的患者护理.
