使用可变形内核暗网-53和深度可分离的卷积神经网络进行宫癌预测
Gaurav Kumar Ameta1, M Siva Ramkumar2, G Jenifa3
1Department of Computer Science and Engineering, Parul Institute of Technology, Parul University, Gujarat, 391760, India.
Scientific reports
|October 24, 2025
概括
这项研究引入了一个新的AI模型,DK-D53-DWSCNNet,用于改善宫癌 (CC) 预测. 该模型在早期检测中实现了高精度,有助于临床诊断.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 宫癌 (CC) 的预测是具有挑战性的,因为数据限制和不同的临床表现.
- 早期的CC标志往往缺乏明显的特征,使准确的识别变得复杂.
- 不一致的诊断方法和数据集变异阻碍了通用模型的开发.
研究的目的:
- 开发一个先进的AI框架,用于强大而准确的宫癌预测.
- 解决CC诊断中数据异质性和早期检测的挑战.
- 在不同的数据集中创建具有高概括能力的模型.
主要方法:
- 引入了可变形内核暗网-53与深度可分离的卷积神经网络 (DK-D53-DWSCNNet).
- 使用可变形内核网络进行联合图像过 (DKNet-JIF) 进行图像增强.
- 使用Darknet-53 CNN与上下文注意网络 (D53-CNN-CAN) 组合进行细分.
- 集成的几何代数变压器 (GAT) 与深度可分离的CNN用于特征提取.
- 优化训练使用高压侧肩优化器 (HSO).
主要成果:
- 在Herlev和SEER数据集上实现了99.9%的准确性和99.8%的灵敏性.
- 在各种数据集中展示了显著的概括能力.
- DK-D53-DWSCNNet有效地捕获了边缘和上下文特征,同时减少了冗余.
结论:
- DK-D53-DWSCNNet显示了改善早期和强大的宫癌预测的巨大潜力.
- 该模型的性能表明它适合纳入临床诊断程序.
- 这一框架为克服当前CC诊断方法的局限性提供了一个有希望的解决方案.