What question did this study set out to answer?

Das zentrale Ziel ist es, die Klassifikationsleistung von kolorektalem Krebs durch Kombination von Texturmerkmalen und einem leichten CNN zu verbessern.

March 14, 20260 citationsOpen Access

Ensemble aus handgefertigten und erlernten Merkmalen unter Verwendung eines leichten CNN zur Klassifikation von kolorektalem Krebs

LMLarissa Ferreira Rodrigues MoreiraUniversidade Federal de Viçosa ABAndré Ricardo BackesUniversidade Federal de São Carlos

Key Points

Das zentrale Ziel ist es, die Klassifikationsleistung von kolorektalem Krebs durch Kombination von Texturmerkmalen und einem leichten CNN zu verbessern.
Entwicklung eines Ensemble-Modells, das handgefertigte Farbtexturmerkmale und ein leichtes CNN kombiniert.
Analyse der Auswirkungen verschiedener Texturmethoden auf die Klassifikationsleistung.
Bewertung der Modellgenauigkeit und des F1-Scores über acht Arten von Geweben bei kolorektalem Krebs.
Eine Genauigkeit von 99,63 % bei der Klassifikation von kolorektalem Krebs erreicht.
Ein F1-Score von 99,63 % erreicht, was ein gutes Gleichgewicht zwischen Precision und Recall anzeigt.
Die herkömmlichen Methoden des Standes der Technik und tiefere CNN-Architekturen übertroffen.

Abstract

Kolorektales Karzinom (CRC) gehört zu den am häufigsten vorkommenden Krebsarten weltweit. Die späte Diagnose spielt eine entscheidende Rolle in der Sterblichkeitsrate und macht CRC zur zweithäufigsten Todesursache durch Krebs. Die Diagnose basiert auf der Analyse histologischer Bilder, die aus einer Biopsie gewonnen werden, einem zeitaufwendigen und fehleranfälligen Prozess. Im Laufe der Jahre wurden viele Ansätze des Deep Learning und der Computer Vision vorgeschlagen, um eine solche Aufgabe zu automatisieren und den Bedarf an menschlichen Spezialisten zu reduzieren. Um zu diesem Forschungsbereich beizutragen, haben wir ein Ensemble vorgeschlagen, das ein leichtes CNN und handgefertigte Farbtexturmerkmale kombiniert, die in der Literatur häufig verwendet werden. Wir haben untersucht, wie sich verschiedene Texturmethoden auf die Leistung des Ensembles in einem wichtigen Mehrklassenproblem aus acht Gewebearten auswirken. Unser Ensemble erreichte eine Genauigkeit von 99,63 %, was die Methoden des Standes der Technik und tiefere CNNs übertrifft, und einen F1-Score von 99,63 %, was ein gutes Gleichgewicht zwischen Precision und Recall zeigt.

KI fragen

Bookmark

View Full Paper