基于自适应性遗传算法的深度特征选择器用于肺部组织病理图像中的癌症检测
Avigyan Roy1, Priyam Saha1, Nandita Gautam2
1Department of Computer Science and Engineering, Jadavpur University, Kolkata, India.
Scientific reports
|February 8, 2025
概括
这项研究引入了一种先进的深度学习模型,用于使用组织病理学图像检测肺癌. 这种新的方法实现了99.75%的准确性,改善了早期癌症诊断和分类.
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:
- 癌症对全球健康构成重大挑战,需要早期检测和准确的分类才能有效治疗.
- 组织病理学图像对于诊断癌症,确定疾病阶段和指导治疗决策至关重要.
- 深度学习模型,特别是卷积神经网络,在分析医疗图像以检测癌症方面表现有前途.
研究的目的:
- 开发和评估一种新的深度学习模型,用于准确地使用组织病理学图像进行肺癌分类.
- 增强特征提取和选择,以提高肺癌检测的诊断性能.
- 为肺癌分析提供一个强大而准确的自动化系统.
主要方法:
- 作为特征提取器,采用了通道注意力激活的深度学习模型.
- 适应性遗传算法 (GA) 用于特征选择,使用过方法计算健身分数.
- 然后将GA优化的特征向量使用K-近邻 (KNN) 分类器进行分类.
主要成果:
- 拟议的方法在LC25000数据集上实现了99.75%的高整体准确性.
- 综合方法证明了有效的特征提取和选择肺组织病理图像.
- 这项研究强调了将深度学习与癌症分类的遗传算法相结合的潜力.
结论:
- 开发的基于GA的特征选择的通道注意力激活深度学习模型为肺癌分类提供了高度准确的方法.
- 这种方法显着有望提高自动化肺癌诊断的准确性和效率,从组织病理学图像.
- 这些发现有助于在数字病理学和瘤学中推进人工智能驱动的工具.
