一个混合化合物缩放的超图神经网络,用于使用整个幻灯片细胞学图像进行强大的宫癌亚型分类
Pooja Govindaraj1, Sasikaladevi Natarajan2, Pradeepa Sampath3
1Department of Computer Science and Engineering, School of Computing, Shanmugha Arts Science Technology and Research Academy, Thanjavur, Tamil Nadu, 613401, India.
Scientific reports
|July 2, 2025
概括
一个新的深度学习模型,CSHG-CervixNet,准确地从细胞学图像中分类宫癌亚型. 这种自动化方法有助于早期检测和针对性治疗宫癌.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 宫癌是一个重大的全球健康挑战,特别是在查资源有限的地区.
- 用于宫癌查的手动细胞学是劳动密集型的,容易出现错误,并且受到观察者之间的变化的影响.
- 宫细胞学图像的自动分类对于准确检测癌前和恶性病变至关重要.
研究的目的:
- 开发和验证一种新的深度学习框架,用于对子宫癌亚型进行可靠的分类.
- 通过自动化图像分析,提高宫癌诊断的准确性和效率.
主要方法:
- 提出了一个新的深度学习框架,即复合扩展超图神经网络 (CSHG-CervixNet).
- 集成复合缩放卷积神经网络 (CSCNN) 用于有效的特征表示和k维超图神经网络 (kd-HGNN) 捕获更高阶特征关系.
- 在基准Sipakmed数据集上评估模型.
主要成果:
- 在Sipakmed数据集上,CSHG-CervixNet实现了高性能.
- 实现准确率为99.31%,宏观平均精度为98.97%,回忆率为99.38%,F1得分为99.34%.
- 在分类宫癌亚型方面表现出强度.
结论:
- CSHG-CervixNet模型为自动化宫癌亚型分类提供了强大而准确的解决方案.
- 这项技术可以帮助病理学家区分亚型,从而实现向治疗和改善疾病管理.
- 这些发现强调了先进的人工智能在提高宫癌查和诊断方面的潜力.
