使用ResoMergeNet进行多模式医学图像分类,用于白内障,肺癌和乳腺癌诊断
Chukwuebuka Joseph Ejiyi1, Dongsheng Cai2, Delali Linda Fiasam3
1College of Nuclear Technology and Automation Engineering, Chengdu University of Technology, Sichuan, China; School of Information and Software Engineering, University of Electronic Science and Technology of China, Sichuan, China.
Computers in biology and medicine
|February 11, 2025
概括
资源合并网络 (RMN) 有效地分类多模式医疗图像,实现白内障,肺癌和乳腺癌检测的高精度. 这种深度学习模型克服了模式变化,以提高诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像分类面临挑战,因为图像模式的变化.
- 传统的深度学习模型与多样化的数据集作斗争,影响了白内障和癌症等疾病的诊断准确性.
- 早期发现白内障,肺癌和乳腺癌对于有效治疗至关重要.
研究的目的:
- 开发一个深度学习模型,ResoMergeNet (RMN),能够处理多模式医疗图像分类.
- 提高不同成像类型的诊断工具的准确性和稳定性.
- 解决现有模型在适应各种医学成像模式方面的局限性.
主要方法:
- 拟议的ResoMergeNet (RMN),将转移学习,ResBoost框架和ConvMerge.Net整合在一起.
- 设计RMN用于有效地从可见眼镜图像和组织病理图像中提取全球和本地特征.
- 尽量减少不相关数据的影响,以提高跨模式的分类性能.
主要成果:
- 在白内障数据集 (二进制分类) 上,RMN实现了99.17%的准确性.
- 在肺癌分类 (3级) 中达到100%的准确性,在各种放大 (99.24%在100×, 98.28%在200×) 中,在BreakHis数据集 (8级) 上达到高准确性.
- 在不同的图像模式中表现出强度和适应性.
结论:
- 资源合并网络 (RMN) 显示出作为医疗环境中可靠的诊断工具的巨大潜力.
- 该模型的多功能性为改善白内障,肺癌和乳腺癌的早期诊断提供了有希望的解决方案.
- 通过改善各种医学成像数据的分类性能,RMN提高了医疗保健结果.
