利用基于深度转移学习的深度转移学习,精确地对细胞癌进行分类和分级,使用基因病理图像

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 计算病理学计算病理学

背景情况:

• 细胞癌 (RCC) 是全球男性癌症相关死亡的一个重要原因.
• 早期诊断RCC对于改善患者存活率至关重要.
• 手动组织病理学评估脏组织是耗时的,容易出现错误,并受到观察者之间的变化.

研究的目的:

• 开发一种自动化方法,使用基因病理图像精确地对RCC进行分类和分级.
• 通过自动化分析,提高RCC诊断的准确性和减少偏差.
• 调查深度转移学习技术对RCC检测的有效性.

主要方法:

• 开发了一种新的方法,利用基于深度转移学习的细胞癌的精确分类和分级 (EDTL-PCGRCC).
• 该方法包括维纳过 (Wiener filtering,简称WF) 用于消除基因病理图像中的噪声.
• 使用改进的MobileNetV2模型提取特征,并使用由改进的人工生态系统优化 (IAEO) 优化的Elman神经网络 (ENN) 进行分类.

主要成果:

• 在RCC的分类和分级方面,EDTL-PCGRCC方法表现出了强大的性能.
• 自动化方法显示出克服手动组织病理学评估局限性的潜力.
• 经验发现证实了该方法在生物医学图像数据集上的有效性.

结论:

• 拟议的EDTL-PCGRCC方法为准确的RCC分类和分级提供了一个有希望的自动化解决方案.
• 深度转移学习与先进的优化技术相结合,可以显著提高癌病理学的诊断效率和可靠性.
• 这种方法有可能减少误诊率,并帮助临床医生更好地管理患者.