Key points are not available for this paper at this time.
TumorDiagX는 깊은 학습과 컴퓨터 비전을 결합하여 암을 정확하게 식별하고 분류하는 최첨단 프레임워크입니다. 우리의 대장 내시경 1518 이미지 컬렉션은 회색조 변환 및 로컬 이진 패턴(LBP) 추출을 포함하여 세심하게 전처리되며, 안전하게 Google Cloud 플랫폼에 저장됩니다. 두 번째 단계에서는 세 가지 다른 합성 곱 신경망(CNN)을 완전히 평가합니다: 50층의 잔여 네트워크(ResNet-50), DenseNet-201 및 16층의 시각 기하학 그룹(VGG-16). 세 번째 단계에서는 여러 네트워크의 기능을 결합하여 암 탐지를 개선하기 위해 네 개의 통합 CNN(ResNet-50+DenseNet-201(RD-22), DenseNet-201+VGG-16(DV-22), ResNet-50+VGG-16(RV-22), ResNet-50+DenseNet-201=VGG-16(RDV-22))을 도입합니다. 데이터 세트에 대한 종합적인 분석 및 훈련은 CNN의 성능에 대한 중요한 통찰을 제공합니다. 네 번째 단계에서는 모든 세 가지 데이터 세트를 개별 및 통합 CNN을 사용하여 통합하고 비교하여 암 진단을 위한 가장 효과적인 모델을 결정하는 광범위한 비교가 이뤄집니다. 마지막 단계에서는 이미지 분할이 인코더-디코더 네트워크인 보편적 네트워크(U-Net) CNN을 활용하여 악성 암 병변의 시각적 감지를 도와줍니다. 결과는 TumorDiagX의 효과성을 강조하며, 특징 융합 CNN이 DenseNet-201을 사용하여 훈련 및 테스트 정확도가 각각 97.27% 및 97.35%에 도달합니다. 특히, RDV-22와 결합된 CNN(특징 융합)은 각각 98.47% 및 97.93%의 훈련 및 테스트 정확도를 기록하며, 다이스 계수는 0.92입니다. 정보는 클라우드에서 비공식적으로 유지되며, 특정 암 예측 및 신속한 탐지를 허용하는 의료 제공자에게 필수 자산 역할을 합니다. 우리의 방법은 세심한 성과 지표와 다면적 접근 방식으로 초기 암 식별 및 치료를 발전시킬 가능성을 가지고 있습니다.
Raju et al. (Mon,)은 이 질문을 연구했습니다.