ToBaFu:基于拓学的融合模型,用于对二维癌症图像进行分类
Yuqing Xing1, Haodong Chen1, Quan Zheng1
1School of Mathematics and Statistics, Huazhong University of Science and Technology, Wuhan, 430074, China.
概括
这项研究引入了一种基于拓学的新型融合模型 (ToBaFu),用于增强癌症图像分析. 通过将拓特征与深度学习架构集成,ToBaFu模型显著提高了诊断准确性和稳定性.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 人工智能的人工智能
背景情况:
- 医学图像分析对于疾病诊断至关重要,但许多研究忽视了拓特征.
- 癌症组织往往表现出独特的拓结构 (例如,孔,循环),在健康组织中不存在.
研究的目的:
- 从2D癌症图像中提取拓特征,使用持久同质 (PH).
- 通过将Topo与增强的ResNet.Net集成,开发基于拓的分类模型 (Topo) 和融合模型 (ToBaFu).
- 改善癌症图像分类中的诊断性能和模型稳定性.
主要方法:
- 采用持久同质 (PH) 来从二维癌症图像中提取拓特征.
- 开发了一种基于拓的模型 (Topo),用于分类的浅层神经模块.
- 将Topo模型与增强的ResNet架构集成,以创建ToBaFu融合模型.
主要成果:
- 在三个癌症数据集中,ToBaFu模型实现了高精度和F1分数:LC-25000 (99.98%),CRC-5000 (99.60%),和BUS-250 (99.80%).
- 与现有方法相比,证明了卓越的诊断性能和增强的稳定性.
结论:
- 拟议的ToBaFu模型有效地利用拓特征进行精确的癌症图像分类.
- 这种基于拓学的融合方法为推进瘤学的医学图像分析提供了一个有希望的方向.


