基于稠密神经网络的恶性淋巴瘤诊断
图像与视频处理
2024-10-10 v1 计算机视觉与模式识别
机器学习
摘要
淋巴瘤诊断，特别是区分 subtypes，对于有效治疗至关重要，但由于组织学图像中形态差异微妙，仍然具有挑战性。本研究提出了一种新型混合深度学习框架，将DenseNet201用于特征提取，结合使用Harris Hawks Optimization（HHO）算法优化的稠密神经网络（DNN）进行分类。该模型在15,000个活检图像的数据集上进行训练，涵盖三个淋巴瘤 subtypes：慢性淋巴细胞白血病（CLL）、弥漫性淋巴瘤（FL）和黏表细胞淋巴瘤（MCL）。我们的方法在测试集上实现了99.33%的准确率，显著提高了准确率和模型可解释性。综合评估使用精确率、召回率、F1分数和ROC-AUC，凸显了该框架的稳健性及其临床应用潜力。该框架提供了一个可扩展的解决方案，用于提高肿瘤学中的诊断准确率和效率。
引用
@article{arxiv.2410.06974,
title = {Diagnosis of Malignant Lymphoma Cancer Using Hybrid Optimized Techniques Based on Dense Neural Networks},
author = {Salah A. Aly and Ali Bakhiet and Mazen Balat},
journal= {arXiv preprint arXiv:2410.06974},
year = {2024}
}
备注
6 pages, 5 figures, 4 tables, IEEE ICCA