使用定制的深度学习和混合优化算法在组织病理图像中检测线粒分裂.

科学领域:

• 病理学 病理学 病理学
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 准确的线粒分裂识别对于癌症诊断至关重要.
• 挑战包括阶级不平衡和生理学图像的形态变异.
• 现有的方法难以准确检测线粒分裂.

研究的目的:

• 开发一个定制的深度学习 (CDL) 模型,用于在组织病理图像中增强线粒分裂的检测.
• 解决阶级不平衡的挑战,提高本地化准确性.
• 为了利用转移学习和混合优化算法,实现卓越的性能.

主要方法:

• 一个定制深度学习 (CDL) 模型,集成转移学习和混合CNN架构.
• 利用跳过连接,以改善线粒分裂局部化.
• 采用混合优化机制,结合水母搜索优化器 (JSO) 和海优化算法 (WOA).

主要成果:

• 在基准数据集上,CDL模型获得了0.994的F1得分和98.8%的准确性.
• 在检测线粒体数字方面表现出卓越的性能.
• 有效地抵消了类不平衡,并改善了特征提取.

结论:

• 该CDL模型提供了一个强大的和高效的解决方案,用于线粒分裂检测.
• 显著帮助病理学家在精确的癌症诊断和预后.
• 显示了实时应用和更广泛的本病理学分析的潜力.