相关实验视频
利用基于注意力的深度学习在二进制分类中用于早期乳腺癌诊断
Lama A Aldakhil1, Shuaa S Alharbi1, Abdulrahman Aloraini1
1Department of Information Technology, College of Computer, Qassim University, Buraydah 52571, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|March 28, 2025
概括
将基于注意力的深度学习与传统的机器学习相结合,改善了乳腺癌图像分类. 较低的放大水平提高了诊断准确性和模型概括性,以便更好地早期检测.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 乳腺癌诊断是一个全球性的挑战,需要在早期检测准确性和效率方面取得进展.
- 组织病理图像分析对于准确的乳腺癌分类至关重要.
- 需要创新的计算方法来增强诊断能力.
研究的目的:
- 调查基于注意力的深度学习模型与传统机器学习 (ML) 的集成,用于分类遗传学乳腺癌图像.
- 评估高效通道空间注意网络 (ECSAnet) 在二进制分类任务中的性能.
- 分析不同放大级别对分类准确性,稳定性和概括性的影响.
主要方法:
- 利用了BreakHis数据集,包括40×,100×,200×和400×放大度的良性和恶性乳腺瘤的组织病理图像.
- 采用了高效通道空间注意网络 (ECSAnet),具有用于特征提取的先进注意机制.
- 独立评估ECSAnet,并与传统的ML模型 (如决策树和物流回归) 一起进行评估.
主要成果:
- 与二进制分类的更高放大值相比,较低的放大值 (40×,100×) 显示出更高的精度,稳定性和通用性.
- 将ECSAnet与传统的ML模型相结合,提高了分类性能,特别是在较低的放大级别.
- 基于注意力的模型显示出显著的诊断优势,突出显示了放大选择的重要性.
结论:
- 基于注意力的深度学习模型,如ECSAnet,当与传统的ML集成时,显示出改善乳腺癌诊断的巨大潜力.
- 较低的放大度水平在诊断上有利于组织病理性乳腺癌图像分析.
- 未来的研究应该探索混合架构和多模式方法,以进一步提高诊断准确度.