Classificação de imagens histopatológicas usando um modelo de núcleo residual dilatado de grooming

O câncer de mama está sendo diagnosticado mais cedo e com mais precisão através de modelos de aprendizado profundo e aprendizado de máquina. Este estudo contribui para a ciência e tecnologia médica usando um novo modelo baseado em aprendizado profundo para detectar pequenas células cancerígenas e diagnosticar células cancerosas com precisão. A abordagem proposta utiliza normalização de tensão para resolver preocupações de divergência de cor na classificação de imagens histopatológicas de câncer de mama (BreakHis) e nos conjuntos de dados de anotação e diagnóstico histopatológico de câncer de mama (BreCaHAD). Seguido por 19 parâmetros diversos, como escalonamento, rotação, inversão, redimensionamento e valor de gama, que são usados para enfrentar o problema do overfitting. O modelo proposto de núcleo residual dilatado de grooming (DRGK) é um modelo de 19 camadas e contém uma unidade de convolução dilatada em múltiplas escalas (MSDC) proposta para extrair as características de maneira eficiente, detectando pequenos objetos e limites finos sem adicionar complexidade. Junto com a unidade MSDC e convolução, pooling e down sampling, o modelo DRGK proposto detecta com precisão as células cancerígenas com uma precisão de 98,5%.