计算机视觉辅助的深度转移学习模型用于精确分类细胞癌从脏组织病理学图像中的细胞癌
Mohammed Alghamdi1, Jamal Alsamri2, Khaled Mohamad Almustafa3
1Department of Information Systems, College of Computer Science, King Khalid University, Abha, Saudi Arabia.
Scientific reports
|October 15, 2025
概括
这项研究引入了一种新的深度学习模型,用于从组织病理学图像准确地分类癌. 计算机视觉辅助深度转移学习模型用于精确分级细胞癌 (CVDTLM-AGRCC) 实现了93.89%的准确性,改善了癌症检测.
科学领域:
- 尿瘤学 尿瘤学
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 细胞癌 (RCC) 是一种致命的泌尿系统恶性瘤,其精确的组织病理学分类对于患者的管理和预后至关重要.
- 从组织病理学图像中手动分类RCC亚型是耗时的,主观的,容易出错的.
- 需要自动分级系统来提高瘤检测和分类的准确性和效率.
研究的目的:
- 开发和评估一个自动化的计算机视觉辅助深度转移学习模型,用于准确的RCC分级 (CVDTLM-AGRCC).
- 通过使用深度学习技术,准确地检测和分类脏组织病理图像中的RCC.
- 加强RCC的诊断过程,帮助病理学家识别攻击性癌症亚型.
主要方法:
- 使用高斯过器 (GF) 进行图像预处理,以减少基因病理图像中的噪声.
- 通过ShuffeNetV2-1.0-SE和CapsNet模型的融合进行特征提取.
- 使用混合卷积神经网络-双向长期短期记忆 (CNN-BiLSTM) 模型进行分类,并使用鱼优化算法 (COA) 进行优化.
主要成果:
- CVDTLM-AGRCC模型在从脏组织病理图像中对RCC进行分类时表现出了高的性能.
- 与现有方法相比,KMC数据集的精度达到了93.89%.
- 混合CNN-BiLSTM架构有效地捕获了复杂的模式,以准确分级.
结论:
- CVDTLM-AGRCC技术为准确的RCC分级提供了一个有希望的自动化解决方案,解决了手动病理评估的局限性.
- 深度转移学习和混合神经网络显示出显著的潜力,可以提高从组织病理学的癌症诊断的准确性.
- 这种人工智能驱动的方法可以帮助病理学家,导致更好的患者管理和细胞癌的结果.
