综合学习方法用于从组织病理图像检测乳腺侵入性导管癌

科学领域:

• 在瘤学瘤学.
• 计算机科学 计算机科学
• 医疗成像医学成像

背景情况:

• 侵袭性导管癌是一种常见且具有攻击性的乳腺癌,需要准确的诊断.
• 传统的组织病理学面临诊断的变化,影响患者的结果.
• 深度学习为客观和精确的癌症分类提供了潜力.

研究的目的:

• 开发一种集体学习方法,以改善侵入性导管癌的分类.
• 为了提高乳腺癌检测的诊断准确性和稳定性.
• 为了比较各种深度学习模型对此任务的性能.

主要方法:

• 使用了一组预训练的卷积神经网络 (ResNet50,Xception,MobileNetV2,VGG16,VGG19).
• 雇员转移学习,对乳腺癌的组织病理图像进行微调.
• 实现了加权平均组合算法用于最终分类.

主要成果:

• 权重平均组合模型的准确度达到97.27%.
• 在个别模型中,ResNet50在识别侵入性导管癌方面表现优越.
• 整体方法减少了诊断变异性,提高了整体准确性.

结论:

• 结合深度学习,特别是ResNet50和加权平均,显著提高了侵入性导管癌的诊断.
• 这种方法有望提高乳腺癌诊断的精度.
• 该方法可以通过更准确的检测来改善患者管理和结果.