RSDCNet:一种高效,轻量级的深度学习模型,用于检测乳腺癌中的良性和恶性病理

科学领域:

• 医疗图像分析 医学图像分析
• 计算病理学计算病理学
• 人工智能在瘤学中的应用

背景情况:

• 乳腺癌诊断依赖于手动的病理解释,这是耗时和主观的.
• 手册解释的变化会影响治疗策略和患者的预后.
• 自动化,精确和高效的病理检测方法对于乳腺癌诊断至关重要.

研究的目的:

• 开发一个增强的轻量级神经网络,RSDCNet,用于自动检测乳腺癌病理.
• 提高分类良性与恶性乳腺瘤的效率和准确性.
• 为了降低计算资源的消耗,同时保持高性能.

主要方法:

• RSDCNet架构集成了深度可分离的卷积和SCSE模块.
• 该模型在BreakHis数据集 (9109个显微镜图像) 上进行了训练和评估.
• 为了轻量化设计,优先考虑了关键特征提取和参数减少.

主要成果:

• RSDCNet实现了高性能,准确度为0.9903,回忆率为0.9897,F1得分为0.9888,精度为0.9879 .
• 该模型在分类任务中显著超过了EfficientNet,RegNet,HRNet和ViT.
• 与其他模型相比,RSDCNet的参数数量要少得多 (1,199,662),这表明资源效率提高.

结论:

• RSDCNet提供了乳腺癌病理学的高效和准确的分类.
• 该模型提供了比传统方法更好的特征提取和临床解释性.
• 这一进步支持智能乳腺癌诊断,导致更好的治疗规划和预后.