Core Concepts
Eine effiziente und genaue Methode zur automatischen Klassifizierung von Histopathologie-Bildern kann den Diagnoseprozess für Brustkrebs beschleunigen und die Fehleranfälligkeit reduzieren.
Abstract
Die Studie präsentiert einen Ansatz zur raschen Kategorisierung von Brustkrebs-Pathologiebildern mithilfe von Convolutional Neural Networks (CNNs). Der Ansatz umfasst:
Verwendung des Inception-v3-Modells für die Merkmalsextraktion aus Pathologiebildern unter Einsatz von Transfer Learning
Einführung der Bildpartitionierung, um hochauflösende Bilder zu verarbeiten
Untersuchung verschiedener Fusionsalgorithmen (Summe, Produkt, Maximum) zur Konsolidierung der Klassifizierungsergebnisse der Bildblöcke
Validierung des Ansatzes auf dem öffentlichen BreaKHis-Datensatz mit Genauigkeitsraten über 92% für alle vier Vergrößerungsfaktoren (40X, 100X, 200X, 400X)
Der Ansatz zeigt, dass die Kombination von Bildsegmentierung und Fusionsalgorithmen die Genauigkeit der Brustkrebs-Bildklassifizierung effektiv verbessert. Im Vergleich zu anderen Methoden erzielt der Ansatz eine um 9,9% bis 12,2% höhere Erkennungsgenauigkeit.
Stats
Die globale Inzidenz von Brustkrebs betrug im Jahr 2020 2,26 Millionen Neuerkrankungen mit einer hohen Sterblichkeitsrate von 685.000.
Für die USA wird bis 2023 eine Zahl von fast 300.000 Neuerkrankungen bei Frauen erwartet.
Die durchschnittliche Übereinstimmung zwischen Experten bei der Brustkrebs-Diagnose beträgt etwa 75%.
Quotes
"Histopathologische Analyse bleibt die vorherrschende Methode zur Diagnose von Brustkrebs, wobei die Mehrheit der Diagnosen auf der visuellen Untersuchung histologischer Präparate unter dem Mikroskop beruht und erhebliche Expertise von spezialisierten Pathologen erfordert."
"Die Verwendung von Computertechniken für die automatische Kategorisierung von histopathologischen Bildern beschleunigt nicht nur den Diagnoseprozess für Brustkrebs, sondern verringert auch die Fehleranfälligkeit."