基于高光谱成像和轻量级深度学习模型精确识别胃癌的病理差异化
Yutao Ma1, Ruoyu Zhou2, Zhengshuai Jiang3
1Department of Gastroenterology, Dezhou Hospital, Qilu Hospital, Shandong University, Dezhou, China.
Journal of biophotonics
|September 4, 2025
概括
这项研究引入了使用高光谱成像 (HSI) 进行精确胃癌组织分类的改进深度残留网络 (IDRN). IDRN模型在识别差异化胃癌方面表现出卓越的性能,有助于诊断.
科学领域:
- 医学成像
- 在瘤学中使用人工智能
- 生物医学工程
背景情况:
- 准确的胃癌分类对于患者的预后和治疗计划至关重要.
- 超光谱成像 (HSI) 为组织分析提供丰富的光谱信息.
- 深度学习模型显示了自动化医疗图像分析的潜力.
研究的目的:
- 开发和评估一个轻量级的深度学习模型,即改进的深度残留网络 (IDRN),用于使用HSI精确识别胃癌组织.
- 将IDRN与传统机器学习 (SVM) 和其他深度学习模型 (ResNet50,ViT) 的性能进行比较.
主要方法:
- 使用高光谱成像 (HSI) 来获取胃癌组织数据.
- 开发了一个改进的深度残留网络 (IDRN),包括光谱预处理,维度减小和注意力机制.
- 使用支持矢量机 (SVM),ResNet50和视觉变压器 (ViT) 模型进行比较实验.
主要成果:
- 与SVM,ResNet50和ViT相比,提议的IDRN模型在分类胃癌组织方面表现优异.
- 在识别差异化胃癌组织方面,IDRN特别有效.
- IDRN的轻量化特性确保了特征提取的效率.
结论:
- 结合HSI的IDRN模型是计算机辅助胃癌诊断的一个有前途的工具.
- 这种方法有可能提高临床环境中的准确性和效率.
- 进一步的研究可能有助于改善胃癌的临床转化.
