通过深度特征分析,通过使用DenseNet201和SVM进行肺癌和结肠癌严重程度的增强诊断,并使用细胞病理图像:超分辨率方法
Pragati Patharia1, B Surya Prasad Rao2, Prabira Kumar Sethy3
1Department of ECE, Guru Ghasidas Vishwavidyalaya, Bilaspur, India.
Cancer reports (Hoboken, N.J.)
|December 23, 2025
概括
这项研究引入了一个结合快速超分辨率卷积神经网络 (FSRCNN) 和支持矢量机器 (SVM) 的深度学习模型,以准确检测肺癌和结肠癌. 这种新的方法显著提高了诊断准确度,达到98%的整体准确度.
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:
- 肺癌和结肠癌患病率不断上升,需要改进诊断方法.
- 组织病理学家的专业知识至关重要,但有限,影响患者的治疗结果.
- 深度学习为医学图像分析提供先进的解决方案.
研究的目的:
- 开发一种新的深度学习诊断方法,用于增强肺癌和结肠癌的检测.
- 通过先进的算法来提高癌症诊断的准确性和可靠性.
主要方法:
- 使用了LC25000数据集 (25,000个组织病理图像).
- 实现快速超分辨率卷积神经网络 (FSRCNN) 用于图像增强.
- 使用支持向量机 (SVM) 模型与DenseNet201进行分类.
主要成果:
- 实现了98.00%的整体精度,98.10%的精度,98%的灵敏度和99.50%的特异性.
- 与现有的卷积神经网络 (CNN) 模型相比,其表现优越.
- 基于FSRCNN和SVM的DenseNet201模型显著提高了诊断可靠性.
结论:
- 基于FSRCNN和SVM的DenseNet201模型大大改善了肺癌和结肠癌的检测.
- 建议使用多种数据集进行进一步验证,并整合遗传/EHR数据.
- 该模型对癌症诊断中的实际应用有希望.
