相关实验视频
Updated: May 15, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
改善乳腺癌诊断:在DenseNet上进行转移学习,使用神经哈希对组织病理学进行细粒度图像分类的神经哈希
Fatemeh Taheri1, Kambiz Rahbar2
1Department of Computer Engineering, ST.C., Islamic Azad University, Tehran, Iran.
Medical & biological engineering & computing
|April 6, 2025
概括
这项研究引入了一种改进的计算机辅助诊断 (CAD) 模型,用于使用显微镜图像进行乳腺癌分类. 增强的DenseNet模型与哈希层显著提高了区分良性和恶性瘤的准确性.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 乳腺癌是全球主要的健康问题,需要有效的诊断工具.
- 手动组织病理学分析是劳动密集型的,容易出现错误.
- 计算机辅助诊断 (CAD) 为提高诊断准确性提供了一个有希望的解决方案.
研究的目的:
- 为了提高CAD模型的性能,使用组织病理图像进行乳腺癌分类.
- 为了改善良性和恶性乳腺癌细胞之间的特征歧视.
- 评估拟议模型的有效性和可解释性.
主要方法:
- 利用DenseNet架构从基因病理图像中提取特征.
- 整合了两个哈希层,以改善良性和恶性类别之间的特征分离性.
- 在BreakHis数据集上对多个放大 (40×,100×,200×,400×) 的模型进行了评估.
- 使用LIME技术来实现模型的可解释性.
主要成果:
- 与现有方法相比,采用哈希层的拟议DenseNet模型表现出优越的性能.
- 实现了增强的特征分离性,从而实现了更准确的分类.
- 该模型的有效性在各种放大级别中得到验证.
结论:
- 开发的CAD方法显著提高了乳腺癌分类准确度.
- 哈希层的集成对于细粒度特征歧视是有效的.
- 该模型提供了一个可靠和可解释的工具,用于他的病理图像分析.
