利用一组EfficientNetV1和EfficientNetV2模型进行乳腺癌组织病理学图像的分类和解释

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 乳腺癌仍然是妇女死亡的主要原因,需要改进诊断方法.
• 手动组织病理学分析是耗时的,并且受观察者之间的变化影响.
• 计算机辅助检测 (CAD) 系统为整个幻灯片图像提供了自动化分析潜力.

研究的目的:

• 开发和评估一个集体学习框架,以使用基因病理图像准确地分类乳腺癌.
• 利用最先进的卷积神经网络 (CNN),EfficientNetV1和EfficientNetV2,对良性与恶性乳腺组织进行二元分类.
• 通过数据增强,转移学习,Grad-CAM和组合技术来增强模型解释性和分类性能.

主要方法:

• 使用了BreakHis数据集,其中包括乳腺组织组织图像.
• 应用数据增强和转移学习以解决有限的注释数据.
• 使用EfficientNetV1和EfficientNetV2进行图像分类.
• 实现了Grad-CAM,以提高模型的可解释性.
• 开发集体学习策略,包括未加权平均,多数投票和新的集成架构.

主要成果:

• 在BreakHis数据集上实现了99.58%的高分类准确度.
• 与传统的CNN模型相比,其表现优越.
• 合体学习显著提高了诊断准确度.
• 格拉德-CAM提供了可解释的定位地图,突出显示了关键的图像区域.

结论:

• 使用EfficientNet模型进行集体学习,为准确的乳腺癌检测提供了强大的方法.
• 拟议的框架有可能提高临床实践中的诊断效率和准确性.
• 组织病理学图像的自动分析可以帮助病理学家在早期和精确的乳腺癌诊断.