通过Osprey优化算法使用组织学图像,通过基于融合的转移学习来提高喉癌的临床诊断

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 喉状细胞癌是一种常见的头癌,需要早期诊断.
• 精确检测喉癌 (LC) 对于有效治疗和患者的生存至关重要.
• 放射性成像 (MRI,CT) 和深度学习 (DL) 模型有助于LC的诊断和分期.

研究的目的:

• 提出一种新的模型,CDLCHI-FTLOOA,以使用组织学图像改进喉癌的检测.
• 通过更准确,更早地诊断喉癌,提高患者的治疗结果.
• 为了利用融合转移学习和优化算法,实现卓越的分类性能.

主要方法:

• 在CDLCHI-FTLOOA模型中,在组织学图像中使用中位过来降低噪声.
• 功能提取是使用AlexNet,SqueezNet和CapsNet模型的融合进行的.
• 通过使用自动编码器实现分类,超参数通过 Osprey 优化算法 (OOA) 进行优化.

主要成果:

• CDLCHI-FTLOOA模型在喉数据集上显示了高精度的97.16%.
• 实验分析证实,与现有技术相比,拟议模型的性能优越.
• 该模型有效地根据组织学特征对癌症与健康组织进行分类.

结论:

• 该CDLCHI-FTLOOA模型是有效的精确喉癌检测从他的病理图像.
• 这种人工智能驱动的方法为改善瘤学诊断准确度提供了一个有希望的工具.
• 这项研究强调了优化深度学习模型在临床环境中用于癌症诊断的潜力.