基于脑组织薄片透射光显微镜的脑癌检测深度学习模型评估与优化
医学物理
2025-05-20 v1 生物物理
光学
摘要
透射光光谱是理解脑组织结构性质的一种方法，常用于脑组织活检样本，但需依赖人工解读，耗时且存在观察者间变异性。深度卷积神经网络(CNN)可直接从原始明场图像中自动学习特征。本文评估了ResNet50和DenseNet121于2,931例脑组织薄片透射光显微镜图像的检测性能，数据集划分为1,996例训练、437例验证和498例测试。我们的两阶段迁移学习方案包括：首先在冻结的预训练特征提取器上训练分类器头，然后进行深度卷积块的微调，同时进行广泛的数据增强(旋转、翻转、强度抖动)和提前停止。DenseNet121实现了88.35%的测试准确率、0.9614的精确率、0.8667的召回率和0.9116的F1分数，优于ResNet50(82.12%、0.9035、0.8142、0.8563)。混淆矩阵、训练与验证曲线以及类别预测分布的详细分析表明，模型收敛稳健且偏差最小。这些发现表明，稠密连接在有限医学数据集上的泛化能力优于传统方法，并为多类别肿瘤分级和临床转化指明了未来方向。
引用
@article{arxiv.2505.11735,
title = {Evaluation and optimization of deep learning models for enhanced detection of brain cancer using transmission optical microscopy of thin brain tissue samples},
author = {Mohnish Sao and Mousa Alrubayan and Prabhakar Pradhan},
journal= {arXiv preprint arXiv:2505.11735},
year = {2025}
}
备注
10 pages, 5 figures