结直肠癌分类手工制作和学习特征集
Larissa Ferreira Rodriges Moreira1, André Ricardo Backes2
1Institute of Exacts and Technological Sciences, Federal University of Viçosa, Viçosa, Brazil.
Journal of imaging informatics in medicine
|August 5, 2025
概括
这项研究引入了一种组合方法,将传统的纹理分析与深度学习相结合,用于结直肠癌 (CRC) 的分类. 这种新的方法实现了99.20%的准确性,改善了自动诊断.
科学领域:
- 医疗图像分析 医学图像分析
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
背景情况:
- 结肠直肠癌 (CRC) 诊断依赖于组织病理学,这是耗时和主观的.
- 目前用于CRC分类的深度学习方法需要大量的注释数据,缺乏可解释性.
- 手工制作的纹理描述器提供了域内洞察力,但可能会错过复杂的模式.
研究的目的:
- 开发一个强大的和可解释的结直肠癌自动分类系统.
- 整合手工制作的纹理描述器和深度学习功能的优势.
- 通过混合方法提高CRC诊断的准确性和可靠性.
主要方法:
- 开发了一个整体模型,将手工制作的颜色纹理特征与来自卷积神经网络 (CNN) 的深度学习特征集成.
- 该方法旨在通过结合互补信息来创建一个更具歧视性和更强大的功能空间.
- 使用标准指标与最先进的方法对性能进行了评估.
主要成果:
- 拟议的组合方法在CRC分类中达到99.20%的高精度.
- 整合色彩纹理和深度学习功能显著提高了分类性能.
- 与现有的最先进的技术相比,整体方法显示出更好的结果.
结论:
- 将手工制作的纹理描述器与深度学习功能相结合,为医学图像分析提供了一个强大的策略.
- 这种混合方法显著推进了结直肠癌的自动分类.
- 该研究强调了在计算病理学中提高诊断准确性和效率的潜力.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
194
15:17Colorectal Cancer Cell Surface Protein Profiling Using an Antibody Microarray and Fluorescence Multiplexing
Published on: September 25, 2011
14.1K
