基于融合的深度表示学习的进展,用于使用生物医学图像分析增强宫癌前病变分类
S S Saranya1, C Santhanakrishnan1, K Pradeep Mohan Kumar1
1Department of Computing Technologies, School of Computing, SRM Institute of Science and Technology, Kattankulathur, Chennai, 603203, India.
Scientific reports
|October 21, 2025
概括
人工智能 (AI) 和深度学习 (DL) 为宫癌 (CC) 查提供了先进的工具. 一种新的技术,FAFRDRL-CPLC,在分类癌前宫病变方面取得了98.62%的准确性.
科学领域:
- 生物医学图像分析
- 人工智能在瘤学中的应用
- 医学诊断 医学诊断 医学诊断
背景情况:
- 宫癌 (CC) 发病率正在上升,特别是在发展中国家,由于查和专业知识有限.
- 精确的查是具有挑战性的,因为复杂的细胞纹理变化在CC.
- 人工智能 (AI) 和深度学习 (DL) 显示出改善大数据集的计算机辅助临床诊断的前景.
研究的目的:
- 评估AI在诊断,查和预测宫癌和癌前病变方面的预测价值.
- 引入一种新的技术,FAFRDRL-CPLC,用于使用生物医学图像分析对宫癌前病变进行分类.
- 为临床医生提供一个工具,用于初步研究和宫癌前病变的治疗计划.
主要方法:
- 拟议的FAFRDRL-CPLC技术使用异型扩散过 (ADF) 来降低噪声和保护边缘.
- 采用了先进的功能缩小模型的融合:MaxViT-v2,SimCLR和Twins-SVT,用于多样化的图像表示.
- 使用堆叠自动编码器 (SAE) 分类器用于癌前病变检测.
主要成果:
- 该FAFRDRL-CPLC方法在分类宫癌前病变方面表现出98.62%的卓越准确性.
- 使用马尔哈里数据集进行实验验证.
- 提出的方法在准确性方面超过了现有的方法.
结论:
- AI和DL,特别是FAFRDRL-CPLC技术,显著提高了宫癌前病变分类的准确性.
- 在宫癌查中,FAFRDRL-CPLC方法显示出作为早期检测和治疗规划的有价值工具的潜力.
- 进一步将AI整合到医学成像中可以提高诊断能力和患者的治疗结果.
