基于卷积神经网络的乳腺癌病理图像识别

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:

• 传统的病理组织分析是耗时的,劳动密集的,容易出现诊断错误.
• 准确有效地对乳腺癌病理图像进行分类,对于及时诊断和治疗至关重要.

研究的目的:

• 开发和评估一种基于卷积神经网络 (CNN) 的新方法,用于分类和识别乳腺癌病理图像.
• 通过使用先进的深度学习技术,克服传统诊断方法的局限性.

主要方法:

• 通过将图像分成多个部分来实现数据增强,采用集体学习.
• 使用Inception-ResNet V2模型与转移学习进行特征提取.
• 构建了一个三层完全连接的神经网络进行分类,集成子图像识别结果.

主要成果:

• 拟议的CNN方法在BreaKHis数据集上的四个放大值中实现了99.75%,98.31%,98.51%和96.69%的高准确率.
• 超越了已经建立的模型,包括Inception-ResNet V2,ResNet101,DenseNet169,MobileNetV3和EfficientNetV2.2,这些模型的性能都超过了现有的模型.
• 在分类良性和恶性乳腺癌病变方面表现出卓越的表现.

结论:

• 基于CNN的方法在自动化乳腺癌病理图像分析方面取得了重大进展.
• 这种方法为传统诊断技术提供了更准确,更有效,更可靠的替代方案.
• 这项研究强调了深度学习在改善乳腺癌诊断和患者治疗结果方面的潜力.