用混合监督和无监督学习方法提高精度检测结肠直肠癌
Akella S Narasimha Raju1, K Venkatesh2, Ranjith Kumar Gatla3
1Department of Computer Science and Engineering (Data Science), Institute of Aeronautical Engineering, Dundigul, Hyderabad, Telangana, 500043, India. akella.raju@gmail.com.
Scientific reports
|January 25, 2025
概括
本研究引入了用于结直肠癌检测和细分的混合组合框架,将监督和无监督方法结合起来,以提高准确性. 该框架实现了高性能,证明了临床应用的潜力.
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:
- 结肠直肠癌 (CRC) 的检测和细分仍然是医学诊断中的关键挑战.
- 现有的方法往往在准确性,解释性和恶性区域的精确定位方面扎.
研究的目的:
- 引入一种新的混合组合框架,以加强结直肠癌的检测和细分.
- 提高医学成像诊断结果的准确性和可理解性.
主要方法:
- 开发了一个混合组合框架,集成卷积神经网络 (CNN) 模型 (ADa-22,AD-22),变压器网络和支持矢量机 (SVM) 分类器.
- 使用了CVC ClinicDB数据集,其中包括1650张结肠镜图像.
- 集成的K-means集群与边界框可视化用于细分精细化.
- 采用超参数优化来平衡性能和通用化,抑制过拟合.
主要成果:
- AD-22 + 变压器 + SVM 模型实现了 0.99 的 AUC,训练准确率为 99.50%,测试准确率为 99.00%.
- 高精度的聚合物 (97.50%) 和非聚合物 (99.30%) 检测,有很好的回忆率.
- K-means集群产生了0.73的轮得分,增强了细分可视化.
结论:
- 拟议的混合框架通过结合CNN特征提取,变压器注意力机制和SVM决策边界,有效地解决了以前方法的局限性.
- 无监督集群的整合改善了细分可视化和整体诊断理解性.
- 该框架展示了在结直肠癌检测和细分方面的高性能和临床可行性潜力.
