Фреймворк глубокого обучения на базе EfficientNetB7 для улучшенной классификации гистопатологических изображений рака лёгких и толстой кишки

Summary

Здесь мы представляем систему глубокого обучения с моделью EfficientNetB7 для точной классификации гистопатологических изображений рака лёгких и толстой кишки. Модель достигла точности на 96% благодаря применению предварительной обработки, расширения данных и трансферного обучения. Метод имеет высокую вероятность помощи в клинической диагностике рака.

Abstract

Ранняя диагностика рака легких играет ключевую роль в улучшении лечения и выживаемости пациентов. Это остаётся важным направлением клинических исследований. Искусственный интеллект (ИИ) преобразил патологию, значительно повысив точность и эффективность диагностики. В данном исследовании представлена надежная модель глубокого обучения в виде предварительно обученной модели EfficientNetB7 для классификации гистопатологических изображений толстой кишки и ткани лёгких с чрезвычайно высокой точностью — 96%. Производительность модели была оптимизирована с помощью продвинутых методов предварительной обработки, тонкой настройки и специализированных методов дополнения данных. Эти стратегии помогают уменьшить такие проблемы, как классовый дисбаланс и тонкие гистологические вариации. Для решения проблемы перенасадки были комбинированы различные методы увеличения данных, и был введён ранний критерий остановки. Такой подход позволил проводить эффективное и экономически экономичное обучение. Надёжная валидация модели демонстрирует высокую полезность для клинических применений и позволяет патологам своевременно и точно ставить диагнозы. Интеграция современных моделей глубокого обучения в рабочие процессы медицинской визуализации открывает большие перспективы для ранней и точной диагностики рака, что в конечном итоге улучшает результаты лечения.

Introduction

Рак лёгких и толстой кишки — одни из самых распространённых видов рака в мире по уровню смертности. Рак лёгких является ведущим смерательным видом рака с более чем 1,8 миллионами смертей ежегодно, за ним следует рак толстой кишки, занимающий третье место по количеству случаев злокачественных опухоль и вторая по распространённости причиной смертности от рака, согласно глобальной статистике здравоохранения. Точная и ранняя диагностика имеют решающее значение для эффективного лечения и повышения выживаемости этих видов рака. Гистопатологическое исследование, или микроскопическая оценка образцов тканей патологами, остаётся одним из самых ....

Protocol

В этом исследовании не проводились прямые эксперименты на людях или животных. Вся работа проводилась с использованием общедоступного, анонимизированного LC25000 гистопатологических изображений, которые не содержали идентифицируемой информации о пациентах или прямом обращении с человеческими тканями. Одобрение Институционального контрольного совета (IRB) или Институционального комитета по уходу и использованию животных (IACUC) не требовалось. Все процедуры соответствовали этическим стандартам и соответствовали условиям использования набора данных для академических исследований. На рисунке 2 показаны шаги д....

Results

Рисунок 4 показывает точность обучения и валидации. Рисунок 5 показывает потерю обучения и валидации.

Рисунок 4: Точность обучения и валидации по эпохам. Этот рисунок показывает прогрессию точности как для обучающих, так и для ва.......

Discussion

В критическом обзоре ошибочно маркированных экземпляров в архитектуре глубокого обучения EfficientNetB7 проводится критический анализ случаев, когда прогнозы модели не совпадают с реальными метками в валидационном наборе данных. Критический анализ имеет огромное значение при анализе определённых ошибок классификации, особенно когда модель ошибочно классифицирует различные гистопатологические особенности тканей лёгких и толстой^{кишки 11}. Процедура заключается в том,.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Видеокарта A100 (CUDA)	NVIDIA	CUDA Версия 11.0	Ускорение GPU для обучения и оценки моделей.
Платформа Kaggle	Google	Н/Д	Облачный ноутбук для разработки моделей машинного обучения
Керас	TensorFlow (Google)	Версия 2.6.0	API глубокого обучения, работающий поверх TensorFlow.
LC25000	Борковски А.А., Буи М.М., Томас Л.Б., Уилсон К.П., ДеЛанд Л.А., Масторидес С.М. Набор данных по гистопатологическим изображениям рака лёгких и толстой кишки (LC25000)	Н/Д	Этот набор данных содержит 25 000 гистопатологических изображений с 5 классами. Все изображения имеют размер 768 x 768 пикселей и выполнены в формате jpeg.
Matplotlib	Фонд программного обеспечения Python	Версия 3.5.0	Библиотека визуализации для построения результатов.
NumPy	Фонд программного обеспечения Python	Версия 1.19.5	Библиотека численных вычислений.
OpenCV	Открытый исходный код	Версия 4.5.4	Библиотека обработки изображений и компьютерного зрения.
Панды	Фонд программного обеспечения Python	Версия 1.3.4	Инструмент анализа и обработки данных.
Python (распределение Anaconda)	Anaconda Inc	Версия 3.7.12	Включает предустановленные пакеты и инструменты управления окружением.
Scikit-learn	Фонд программного обеспечения Python	Версия 0.23.2	Инструменты машинного обучения для оценки производительности.
TensorFlow	Google	Версия 2.6.2	Фреймворк глубокого обучения для моделей диффузии.