深度转移学习模型的比较,用于从巴氏涂片图像对宫癌的分类
Harmanpreet Kaur1, Reecha Sharma2, Jagroop Kaur3
1Department of Computer Science & Engineering, Punjabi University, Patiala, India. Harman.baweja.1993@gmail.com.
Scientific reports
|January 31, 2025
概括
深度转移学习 (DTL) 模型有效地根据巴氏涂片图像对子宫癌进行分类,即使数据有限. 这种自动选提供了比手工方法更高的准确性和效率.
科学领域:
- 在瘤学瘤学.
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 子宫癌是全球领先的癌症,特别是在发展中国家.
- 传统的宫癌检测方法往往复杂且数据密集.
- 卷积神经网络 (CNN) 通常需要广泛的数据集,对有限的数据场景构成挑战.
研究的目的:
- 评估深度转移学习 (DTL) 模型在使用巴氏涂片图像进行子宫癌分类方面的有效性.
- 在两个不同的数据集 (Herlev和Sipakmed) 上比较16个预训练的DTL模型的性能.
- 评估DTL对自动化宫癌查的适用性.
主要方法:
- 应用转移学习直接用于巴氏涂片图像,绕过传统的细分和特征提取.
- 对比了16个预先训练的深度学习模型:VGG16,VGG19,ResNet50,ResNet50V2,ResNet101,ResNet101V2,ResNet152,ResNet152V2,DenseNet121,DenseNet169,DenseNet201,MobileNet,XceptionNet,InceptionV3和InceptionResNetV2. 在这些模型中,深度学习模型中,每个模型都包含一个模型.
- 使用Herlev和Sipakmed数据集进行模型培训和验证.
主要成果:
- 在Herlev数据集上,ResNet50在2类和7类分类方面实现了95%的准确性.
- 在Sipakmed数据集上,VGG16在2类和5类分类方面获得了99.95%的准确性.
- 在Sipakmed数据集上,DenseNet121在三类分类方面显示了97.65%的准确性.
结论:
- 深度转移学习模型对于自动化宫癌查非常有效.
- DTL模型从巴氏涂片图像提供了准确而高效的宫癌分类,即使数据集有限.
- 这些发现表明,DTL可以显著改善手动选方法.
