MLCDL:使用深度学习算法进行多组织分类和诊断的关键实践和实施
Pijush Dutta1, Amit Dey1, Raushan Das1
1Greater Kolkata College of Engineering and Management, Baruipur, West Bengal, India.
Methods in molecular biology (Clifton, N.J.)
|June 24, 2025
概括
使用EfficientNet-B7 CNNs的深度学习 (DL) 可以准确地分类纹理. 这一新框架为图像分析提供了一种简单的方法,在预后信息提取方面可能超过人类观察者.
科学领域:
- 计算机科学 计算机科学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 深度学习 (DL) 已成为纹理分类和组织定位的领先方法,超过了传统的机器学习.
- 卷积神经网络 (CNN) 是DL的关键组成部分,可实现高级图像分析.
- 转移学习通过利用预先训练的网络来提高DL模型的性能.
研究的目的:
- 引入用于图像级纹理分类的新数据集.
- 评估基于集成转移学习的EfficientNet-B7 CNN对纹理分类的性能.
- 评估框架的简单性和提取预后信息的潜力.
主要方法:
- 为培训,验证和测试开发一个包含381张图像 (150x150像素) 的数据集.
- 实施一个EfficientNet-B7深层卷积神经网络 (CNN) 模型.
- 整合转移学习技术以提高分类准确性.
主要成果:
- EfficientNet-B7模型在培训数据集上实现了高准确度 (89.33%).
- 验证和测试准确率分别为52.43%和51.326%.
- 培训损失记录为培训的0.2513,验证的1.846和测试的1.6137.
结论:
- 使用EfficientNet-B7的拟议DL框架证明了对纹理分类的有效性.
- 该研究强调了框架的设置和执行的直接性.
- 该技术显示出与人类分析相比,可以提取更多预后信息的潜力.
