CERVIXNET:使用修改后的深度学习架构检测和分类Cervigram图像的高效方法.
N Karthikeyan1, Gokul Chandrasekaran1, S Sudha1
1Department of Electronics and Communication Engineering, Velalar College of Engineering & Technology, Thindal, Erode 638012, India.
Current medical imaging
|January 24, 2025
概括
使用深度学习早期发现宫癌可以挽救生命. 新的CervixNet架构准确地检测和细分宫图像中的癌症区域,实现高性能指标.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 宫癌的检测依赖于精确的图像分析.
- 早期诊断显著改善了患者的治疗结果和生存率.
- 传统方法可能缺乏用于早期检测的精度.
研究的目的:
- 开发一种用于早期检测宫癌的新型深度学习方法.
- 在异常的宫图像中对癌症区域进行细分.
- 通过修改的深度学习架构来提高宫癌检测的准确性.
主要方法:
- 提出了一个新的深度学习架构,CervixNet.
- 该方法包括使用健康和癌症子宫图像的培训和测试阶段.
- 在异常图像上使用专用算法对癌症区域进行了细分.
主要成果:
- 在IMODT数据库上,CervixNet架构实现了高性能:98.69%的癌症像素敏感度 (CPS),98.76%的癌症像素特异性 (CPSP) 和99.27%的癌症像素精度 (CPA).
- 在瓜纳卡斯特数据库中,结果是:CPS 99.22%,CPSP 99.03%,CPA 99.01%.
- 使用关键指标对实地真相图像进行性能评估.
结论:
- 拟议的CervixNet方法论在宫癌检测和细分方面显示出显著的新性和有效性.
- 实验结果显示,与现有最先进的方法相比,性能优越.
- 这种方法有望提高早期检测率和宫癌患者的存活率.
