一个混合深度学习模型EfficientNet与GRU用于从基因病理图像检测乳腺癌
M Pradeepa1, B Sharmila2, M Nirmala3
1Department of Electronics and Communication Engineering, SNS College of Technology, Coimbatore, 641035, India. mpradeepa871@gmail.com.
Scientific reports
|July 9, 2025
概括
一个新的深度学习框架改善了从组织病理学图像的乳腺癌分类. 这种混合模型通过有效分析复杂的组织模式以提前检测来提高诊断准确性.
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:
- 乳腺癌诊断严重依赖于组织病理学图像分析,但当前的模型在从高分辨率图像中提取复杂模式时面临挑战.
- 特性提取和空间依赖模型的局限性阻碍了现有诊断系统的准确性和概括性.
研究的目的:
- 开发一个高性能深度学习框架,用于精确的乳腺癌分类在组织病理学图像.
- 解决特征提取和空间依赖模型的局限性,以提高诊断准确度.
主要方法:
- 提出了一种混合深度学习模型,将EfficientNetV2集成为多尺度特征提取,以及一个带有注意力机制的门式循环单元 (GRU),用于顺序依赖性建模.
- 该模型在200倍放大时在BreakHis和Camelyon17数据集上进行训练和评估,使用精度,回忆,F1得分,特异性,IoU和准确性等指标.
主要成果:
- 拟议的混合模型在与已建立的架构 (AlexNet,DenseNet,MobileNetV3,EfficientNet) 相比取得了更高的性能.
- 关键性能指标包括98.15%的精度,95.68%的回忆,96.82%的F1分数,96%的特异性,93.99%的IOU和95.72%的测试组准确度.
结论:
- EfficientNetV2与GRU和注意力机制的集成有效地捕捉空间和上下文特征,提高乳腺癌分类的准确性和可解释性.
- 这一框架显示了在乳腺癌检测工作流程中为病理学家提供实时诊断援助的巨大潜力.
