深度转移学习混合技术,以提高乳腺癌瘤组织病理学分类的精度
Muniraj Gupta1, Nidhi Verma2, Naveen Sharma3
1School of Computer & Systems Sciences, Jawaharlal Nehru University, New Delhi, 110067 India.
Health information science and systems
|February 14, 2025
概括
这项研究引入了三种混合深度转移学习模型,用于从基因病理图像中改进乳腺癌分类. 与现有方法相比,开发的模型表现出优越的性能,提高了诊断准确度.
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:
- 乳腺癌仍然是全球癌症死亡的主要原因.
- 准确和早期诊断对于改善患者生存率至关重要.
- 乳腺癌的组织病理学图像分类是复杂的,因为组织异质性和图像工件.
研究的目的:
- 开发和评估新的混合深度转移学习模型,用于准确的乳腺癌分类.
- 将这些模型的性能与已建立的机器学习分类器进行比较.
- 为了提高乳腺癌的诊断能力,使用组织病理学图像.
主要方法:
- 提出了三种混合深度转移学习模型:Xception随机森林 (XRF),Xception支持向量 (XSV) 和多层Xception分类器 (MXC).
- 使用Xception模型作为基础,通过额外的层进行微调.
- 将随机森林分类器 (RFC) 和支持矢量分类器 (SVC) 集成到微调的Xception架构中.
- 对BreakHis和乳腺组织病理图像数据库 (BHID) 数据集的评估模型.
主要成果:
- 所有拟议的模型在两个数据集上都超过了最先进的方法.
- 在40倍放大时,XRF在BreakHis数据集上实现了94.44%的准确性.
- 在BHID数据集上,MXC实现了88.50%的准确性.
- 五次交叉验证证实了模型的稳定性和可靠性.
结论:
- 开发的混合深度转移学习模型在乳腺癌分类准确性方面取得了重大进展.
- 这些模型有望改善乳腺癌的早期检测和诊断.
- 这些发现支持将先进的人工智能技术集成到数字病理学工作流中.
