优化宫癌的诊断,使用修改的HDFF进行精确的细胞分类
1Computer Science and Engineering, Vishwavidyalaya Engineering College Ambikapur, Ambikapur, Chhattisgarh, Ambikapur, India.
概括
一种新的修改后的层次深度特征融合 (HDFF) 方法显著提高了宫癌细胞分类的准确性. 这种自动化方法为早期检测提供了一个有希望的工具,并在宫癌查中改善了公共卫生结果.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 宫癌 (CC) 仍然是全球主要的健康问题,需要先进的诊断工具.
- 传统的宫细胞分类方法是劳动密集型,容易出现错误,导致需要自动化.
研究的目的:
- 引入和评估一种用于自动化宫细胞分类的新型修改层次深度特征融合 (HDFF) 方法.
- 评估HDFF方法在SIPaKMeD和Herlev数据集上的性能,用于各种分类任务.
主要方法:
- 该研究采用了修改后的层次深度特征融合 (HDFF) 方法.
- 这种方法集成了层次的深度学习功能,以提高分类的准确性和稳定性.
- HDFF方法结合了多个深度学习模型层的特征,以提高性能.
主要成果:
- 修改后的HDFF方法在2类宫细胞分类中实现了98.88%的准确性,优于现有的模型.
- 在多类任务中保持了高精度,回忆和F1分数,在3类问题中准确率为98.8%,在7类问题中准确率为98.5%.
- 该方法与基于射频的层次分类 (98.43%在2类) 相比,表现优越.
结论:
- 修改后的HDFF方法为宫癌查提供了一个高度准确和高效的工具.
- 它在各种分类任务中的强表现表明了提高早期检测率的巨大潜力.
- 以更大的数据集进行进一步开发,可以提高其在自动化宫癌检测系统中的实用性.
