Xception Convolutional 深度Maxout网络用于使用组织病理图像进行增强的乳腺癌分类
Kumari Gorle1, Datti Naga Dhara Harini2, Ramisetty Rajeswara Rao3
1Department of Computer Science and Engineering, Jawaharlal Nehru Technological University, Kakinada, Andhrapradesh, India.
Microscopy research and technique
|October 28, 2025
概括
一种新型的深度学习模型,Xception Convolutional Deep Maxout Network (Xcov-DMN),可以从基因病理图像中准确地分类乳腺癌. 这种方法克服了现有方案的局限性,提高了诊断精度,以获得更好的治疗结果.
科学领域:
- 在瘤学瘤学.
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 乳腺癌是全球领先的癌症,需要准确的检测和分类才能有效治疗.
- 组织病理学成像对于乳腺癌诊断至关重要,但当前的深度学习方法在高分辨率图像和微妙的变化方面扎.
- 过度装配和特征挖掘的困难阻碍了现有的深度学习计划在乳腺癌分类中的表现.
研究的目的:
- 开发一种先进的深度学习模型,即Xception Convolutional Deep Maxout Network (Xcov-DMN),用于使用基因病理图像进行精确的乳腺癌分类.
- 解决现有的深度学习模型的局限性,包括过度拟合和从复杂的医学图像中提取关键特征的挑战.
主要方法:
- 拟议的Xcov-DMN集成了Xception卷积神经网络 (XCovNet),深度Maxout网络 (DMN) 和分数计算 (FC).
- 预处理涉及平均转移过器用于图像增强和白细胞网络 (WBC-Net) 具有平衡的交叉 (BCE) 和焦点损失,用于精确的血细胞细分.
- 特征提取包括彩色直方体,形状特征,Haralick纹理特征和完整的本地二进制模式 (CLBP).
主要成果:
- Xcov-DMN模型实现了92.755%的最高精度,90%的学习数据.
- 该模型显示真负率 (TNR) 为91.977%和真正率 (TPR) 为94.765%.
- 这些结果表明,与现有的深度学习方法相比,乳腺癌的分类性能优越.
结论:
- 开发的Xcov-DMN模型显示,从基因病理图像中准确可靠的乳腺癌分类具有显著的前景.
- 这种深度学习方法有效地从高分辨率图像中挖掘关键特征,克服了先前方法的局限性.
- 高精度,TNR和TPR表明Xcov-DMN有可能提高早期检测并改善患者治疗策略.