流域编码器-解码器神经网络用于细胞核的细分 乳腺癌组织学图像 图像
Vincent Majanga1, Ernest Mnkandla1, Donatien Koulla Moulla1
1Department of Computer Science, University of South Africa, Preller Street, Muckleneuk Ridge, Pretoria 1709, South Africa.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
这项研究引入了一种新的流域编码解码神经网络 (WEDN),用于对乳腺组织学图像中的癌症病变进行细分. 通过深度学习,WEDN模型在早期发现乳腺癌方面取得了高准确性.
科学领域:
- 医学图像分析 医学图像分析
- 瘤学中的深度学习
- 组织病理学 细分 细分
背景情况:
- 深度学习在医学图像分析方面表现出色,特别是在癌症诊断方面.
- 组织学图像细分对于乳腺癌诊断至关重要,但面临着质量差和复杂结构等挑战.
- 现有的U-Net模型在有限的数据中提供高精度,但需要改进.
研究的目的:
- 提出一种新的流域编码解码神经网络 (WEDN),用于在监督的乳腺组织学图像中准确细分癌症病变.
- 增强图像预处理和细分技术,以改善病变识别.
- 评估WEDN模型在准确性,子系数和IOU方面的性能.
主要方法:
- 图像增强以增加数据集大小.
- 使用值,开放,扩展和距离变换进行数据增强.
- 连接组件分析和流域填充,用于精确的边界识别.
- 用剩余卷积块进行特征提取和学习的WEDN模型.
主要成果:
- 在3000张图像的增强数据集上,WEDN模型取得了显著的结果.
- 验证准确率达到了98.53%.
- 验证子系数为96.98%,验证交叉与联盟 (IoU) 是97.84%.
结论:
- 拟议的WEDN方法有效地对乳腺组织学图像中的癌症病变进行细分.
- 数据增强和WEDN的结合显示了提高乳腺癌诊断的巨大潜力.
- 该模型展示了卓越的性能指标,突出了其临床适用性.
