Cadre d’apprentissage profond basé sur EfficientNetB7 pour une classification améliorée des images histopathologiques du cancer du poumon et du côlon

Summary

Nous introduisons ici un système d’apprentissage profond avec le modèle EfficientNetB7 pour la classification précise des images histopathologiques du cancer du poumon et du côlon. Le modèle a obtenu une précision de 96 % grâce à l’application de prétraitement, d’augmentation de données et d’apprentissage par transfert. La méthode a de fortes chances d’aider au diagnostic clinique du cancer.

Abstract

Le diagnostic précoce du cancer du poumon joue un rôle clé pour garantir un meilleur traitement et une meilleure survie des patients. Cela reste un axe majeur dans la recherche clinique. L’intelligence artificielle (IA) a transformé la pathologie en améliorant significativement la précision et l’efficacité diagnostiques. Cette étude présente un modèle robuste d’apprentissage profond sous la forme du modèle préentraîné EfficientNetB7 pour classifier les images histopathologiques du côlon et des tissus pulmonaires avec une précision extrêmement élevée de 96 %. Les performances du modèle ont été optimisées à l’aide de méthodes avancées de prétraitement, d’ajustements fins et de techniques d’augmentation des données spécifiques à un domaine. Ces stratégies aident à réduire des problèmes tels que le déséquilibre de classe et les variations histologiques subtiles. Pour résoudre le problème du surapprentissage, plusieurs techniques d’augmentation de données ont été combinées, et un critère d’arrêt précoce a été intégré. Cette approche a permis une formation efficace et rentable. La validation robuste du modèle démontre une grande utilité pour des applications cliniques et permet aux pathologistes de délivrer des diagnostics rapides et précis. L’intégration de modèles avancés d’apprentissage profond dans les flux de travail d’imagerie médicale offre un grand potentiel pour un diagnostic précoce et précis du cancer, améliorant ainsi les résultats pour les patients.

Introduction

Le cancer du poumon et du côlon fait partie des cancers les plus répandus au monde en termes de mortalité. Le cancer du poumon est le principal cancer mortel avec plus de 1,8 million de décès par an, suivi du cancer du côlon, qui est la troisième malignité la plus fréquente et la deuxième cause la plus fréquente de mortalité par cancer, selon les statistiques mondiales de santé. Un diagnostic précis et précoce est crucial pour un traitement efficace et une meilleure survie de ces cancers. L’examen histopathologique, ou évaluation microscopique des échantillons de tissus par des pathologistes, reste l’une des méthodes les plus fréquent....

Protocol

Cette étude n’a impliqué aucune expérimentation directe sur des participants humains ou des animaux. Tous les travaux ont été réalisés à l’aide du jeu de données LC25000 anonymisé et public d’images histopathologiques, qui ne contenaient aucune information identifiable sur le patient ni manipulation directe de tissu humain. L’approbation du Conseil d’Éthique Institutionnelle (IRB) ou du Comité de Soins et d’Utilisation des Animaux Institutionnels (IACUC) n’était pas requise. Toutes les procédures respectaient les normes éthiques et respectaient les conditions d’utilisation de l’ensemble de données pour la recherche académique.

Results

La figure 4 présente la précision de l’entraînement et de la validation. La figure 5 présente la perte d’entraînement et de validation.

Figure 4 : Précision de l’entraînement et de la validation sur les époques. Cette figure illu.......

Discussion

Dans la revue critique des instances mal étiquetées sous l’architecture d’apprentissage profond EfficientNetB7, un examen critique est réalisé sur des cas où les prédictions du modèle ne correspondent pas aux vraies étiquettes dans l’ensemble de données de validation. L’analyse critique est d’une importance extrême pour analyser certaines erreurs de classification, en particulier lorsque le modèle déforme diverses caractéristiques histopathologiques des tissus pulmonaires et du

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GPU A100 (CUDA)	NVIDIA	CUDA Version 11.0	Accélération GPU pour l’entraînement et l’évaluation du modèle.
Quai Kaggle	Google	N/A	Notebook basé sur le cloud pour le développement de modèles d’apprentissage automatique
Keras	TensorFlow (Google)	Version 2.6.0	API d’apprentissage profond tournant au-dessus de TensorFlow.
LC25000	Borkowski AA, Bui MM, Thomas LB, Wilson CP, DeLand LA, Mastorides SM. Ensemble de données d’images histopathologiques du cancer du poumon et du côlon (LC25000)	N/A	Ce jeu de données contient 25 000 images histopathologiques réparties en 5 classes. Toutes les images mesurent 768 x 768 pixels et sont au format jpeg.
Matplotlib	Fondation Python Software	Version 3.5.0	Bibliothèque de visualisation pour tracer les résultats.
NumPy	Fondation Python Software	Version 1.19.5	Bibliothèque de calcul numérique.
OpenCV	Open Source	Version 4.5.4	Bibliothèque de traitement d’image et de vision par ordinateur.
Pandas	Fondation Python Software	Version 1.3.4	Outil d’analyse et de manipulation de données.
Python (distribution anaconda)	Anaconda Inc	Version 3.7.12	Comprend des paquets préinstallés et des outils de gestion de l’environnement.
Scikit-learn	Fondation Python Software	Version 0.23.2	Outils d’apprentissage automatique pour l’évaluation des performances.
TensorFlow	Google	Version 2.6.2	Cadre d’apprentissage profond pour les modèles de diffusion.