Tiefe konvolutionale neuronale Netzwerke, Informationsfusion und verbesserter Walfang-Optimierungsalgorithmus basierter intelligenter Klassifikationsrahmen für orale Plattenepithelkarzinome unter Verwendung histopathologischer Bilder

Zusammenfassung Die verbreitetste Krebsart weltweit ist Mundkrebs. Im Jahr 2023 werden etwa 2,5 % der Todesfälle jährlich aufgrund von Mundkrebs gemeldet. Eine frühzeitige Diagnose von oralem Plattenepithelkarzinom (OSCC), einer häufigen Krebserkrankung der Mundhöhle, ist entscheidend für die Behandlung und Genesung von Patienten. Es existieren einige automatisierte Verfahren, die jedoch auf traditionellen maschinellen Lernmethoden wie handgefertigten Merkmalen basieren. In dieser Arbeit schlagen wir eine vollständig automatisierte Architektur vor, die auf der Selbst-Attention konvolutionalen Netzwerk- und Residuellen Netzwerk-Informationsfusion und Optimierung basiert. Im vorgeschlagenen Rahmen wird der Augmentierungsprozess an den Trainings- und Testproben durchgeführt, gefolgt von der Schulung von zwei entwickelten tiefen Modellen. Ein Selbst-Attention MobileNet-V2-Modell wird unter Verwendung eines augmentierten Datensatzes entwickelt und trainiert. Parallel dazu wird ein Selbst-Attention DarkNet-19-Modell auf demselben Datensatz trainiert, während die Hyperparameter unter Verwendung des Walfang-Optimierungsalgorithmus (WOA) initialisiert wurden. Merkmale werden aus den tieferen Schichten beider Modelle extrahiert und mithilfe eines kanonischen Korrelationsanalysenansatzes (CCA) fusioniert. Der CCA-Ansatz wird weiter optimiert, indem eine verbesserte WOA-Version mit dem Namen Quantum WOA verwendet wird, die irrelevante Merkmale entfernt und nur die wichtigen auswählt. Die letztendlich ausgewählten Merkmale werden mit neuronalen Netzwerken, wie breiten neuronalen Netzwerken, klassifiziert. Der experimentelle Prozess wird an dem augmentierten Datensatz durchgeführt, der zwei Sätze umfasst: 100× und 400×. Mit beiden Sätzen erreichte die vorgeschlagene Methode eine Genauigkeit von 98,7 % und 96,3 %. Es wird ein Vergleich mit einigen modernen Techniken durchgeführt, was eine signifikante Verbesserung der Genauigkeit und des Präzisionsgrades zeigt.