探索预处理组合在高光谱成像中对深度学习结直肠癌检测的作用

科学领域:

• 医学成像医学成像
• 深度学习是一种深度学习.
• 超光谱成像技术的使用.

背景情况:

• 超光谱成像为癌症诊断提供了丰富的光谱和空间信息.
• 深度学习模型需要优化数据预处理以获得有效的性能.

研究的目的:

• 为了比较各种预处理技术用于高光谱深度学习癌症诊断.
• 评估数据缩放,降噪,移除文物和补丁大小对模型性能的影响.
• 调查在高光谱医学数据集中减轻类不平衡的策略.

主要方法:

• 评估了不同的频谱缩放 (标准化与规范化).
• 评估了降低噪音和去除文物 (血液/光反射).
• 检查了输入补丁大小和数据集不平衡缓解策略的影响.

主要成果:

• 标准化显著提高了敏感性和特异性,而不是标准化.
• 更大的输入补丁大小通过结合更多的空间背景来提高模型性能.
• 降低噪声意外降低了性能;血液过比光反射过更有效,但两者都没有显著改善.
• 一致的测试条件确保了可重复性.

结论:

• 预处理选择对高光谱癌症诊断中的深度学习模型性能产生了重大影响.
• 标准化和适当的补丁大小选择是优化诊断准确性的关键.
• 可能需要进一步的研究来完善噪音降低和人工物移除技术,用于超频谱的医疗数据.