增强的组织病理图像分析用于口腔癌分类,使用形态重建和UNet.

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 计算病理学计算病理学
• 瘤诊断的诊断 瘤诊断的诊断

背景情况:

• 口腔癌是一个重要的全球健康问题,如果不及早发现,死亡率很高.
• 传统的口腔癌诊断方法是耗时的,主观的,容易引起观察者之间的变化.
• 现有的癌症检测深度学习模型可能是计算密集型,不太适合资源有限的环境.

研究的目的:

• 开发和评估一种新,高效和准确的深度学习框架,即深度可分离卷积U-Net (DWSU-Net),用于使用基因病理图像检测口腔癌.
• 通过将先进的图像预处理技术与轻量级卷积神经网络架构相结合,提高口腔癌诊断的准确性和效率.
• 提高人工智能驱动的诊断预测的可解释性,以更好地实现临床整合.

主要方法:

• 开发DWSU-Net架构,将深度可分离的卷积集成到U-Net框架中,以减少计算复杂性.
• 实施全面的预处理管道,包括Sobel过,Otsu值,Canny边缘检测和通过侵蚀进行形态重建.
• 培训和评估DWSU-Net模型的公共可用的Kaggle数据集的口腔癌组织病理图像,使用五重交叉验证.
• 与传统的卷积神经网络 (CNN) 架构进行比较分析,以确定最佳的模型过组合.

主要成果:

• 结合形态重建预处理的DWSU-Net模型,在区分健康和恶性口腔组织图像时,实现了99.74%的分类准确度.
• 与传统的CNN相比,DWSU-Net架构表现出卓越的性能,这是由于其高效的深度可分离卷曲和有效的预处理管道.
• 形态重建预处理步骤增强了恶性区域的独特性,提高了AI模型和人类病理学家的解释性.

结论:

• 拟议的DWSU-Net框架提供了一个高度准确和高效的解决方案,用于从组织病理图像中自动检测口腔癌.
• 深度可分离卷积和形态重建的整合为临床环境提供了一个强大的,可扩展和可解释的决策支持工具.
• DWSU-Net显示出临床部署的巨大潜力,解决了传统诊断方法的局限性,并提高了口腔癌的早期检测率.