一种利用注意力机制和图像处理进行增强的结直肠瘤检测的多技术合奏模型

科学领域:

• • 计算病理学 • 计算机病理学
• • 医学图像分析
• • 人工智能在瘤学中的应用

背景情况:

• •准确识别结直肠瘤对于有效的癌症管理至关重要.
• • 现有的方法可能缺乏复杂的组织病理学分析所需的精度.
• • 深度学习有可能提高病理学诊断的准确性.

研究的目的:

• • 开发和评估用于结直肠瘤识别的改进深度学习模型.
• • 提高诊断准确性和解释性在组织病理图像分析.
• •利用转移学习和注意力机制,以实现卓越的表现.

主要方法:

• • 开发了基于ResNet50的集体深卷积神经网络 (CNN) 模型,具有双重注意力机制.
• •采用了复杂的图像处理和细分技术 (分水,距离转换).
• •使用了8个类别的5000张本病理图像的数据集.

主要成果:

• • 该模型实现了高性能指标:98.74%的培训准确度,94.35%的验证准确度.
• • 在F1得分 (0.94),回忆 (0.94),精度 (0.95),特异性 (0.96) 和科恩卡帕 (0.9354) 获得了优异的分数.
• •双重注意力机制通过突出关键组织区域来提高模型的解释性.

结论:

• • 拟议的合奏CNN模型显示了准确检测结直肠瘤的巨大潜力.
• • 该方法在各种类分布中显示出稳定性,表明其临床适用性.
• • 这种人工智能驱动的方法可以帮助临床医生在结直肠癌的早期诊断和管理.