• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Computers and Electrical Engineering >HIC-net: A deep convolutional neural network model for classification of histopathological breast images
【24h】

HIC-net: A deep convolutional neural network model for classification of histopathological breast images

机译：HIC-NET：组织病理乳腺图像分类的深度卷积神经网络模型

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this study, a convolutional neural network (CNN) model is presented to automatically identify cancerous areas on whole-slide histopathological images (WSI). The proposed WSI classification network (HIC-net) architecture performs window-based classification by dividing the WSI into a certain plane. In our method, an effective pre-processing step has been added for WSI for better predictability of image parts and faster training. A large dataset containing 30,656 images is used for the evaluation of the HIC-net algorithm. Of these images, 23,040 are used for training, 2560 are used for validation and 5056 are used for testing. HIC-net has more successful results than other state-of-art CNN algorithms with AUC score of 97.7%. If we evaluate the classification results of HIC-net using softmax function, HIC-net success rates have 96.71% sensitivity, 95.7% specificity, 96.21% accuracy, and are more successful than other state-of-the-art techniques which are used in cancer research. (C) 2019 Elsevier Ltd. All rights reserved.
机译：在该研究中，提出了一种卷积神经网络（CNN）模型，以自动识别全载组织病理学图像（WSI）上的癌症区域。所提出的WSI分类网络（HIC-Net）架构通过将WSI划分为特定平面来执行基于窗口的分类。在我们的方法中，为WSI添加了有效的预处理步骤，以便更好地预测图像部件和更快的训练。包含30,656个图像的大型数据集用于评估HIC-Net算法。在这些图像中，23,040用于训练，使用2560用于验证，5056用于测试。 HIC-Net具有比其他最先进的CNN算法更成功的结果，AUC分数为97.7％。如果我们使用Softmax函数评估HIC-Net的分类结果，HIC-Net成功率具有96.71％的灵敏度，特异性为95.7％，精度为96.21％，比其他最先进的技术更成功癌症研究。 （c）2019年elestvier有限公司保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号