Resumen

Para explorar el valor de aplicación del modelo de red neuronal convolucional piramidal multinivel (MPCNN) basado en la red neuronal convolucional (CNN) en el análisis de imágenes histopatológicas de mama, en este estudio, basado en el algoritmo CNN y el clasificador softmax (SMC), se introduce un autoencoder disperso (SAE) para optimizarlo. Se utiliza el método de ventana deslizante para identificar las células, y se establece el método de detección de células de imágenes patológicas CNN SMC. Además, se introduce el contorno activo de región local (LRAC) para optimizarlo y se establece el modelo de segmentación fina LRAC impulsado por la distribución gaussiana local. Sobre esta base, se introduce además el codificador automático disperso para optimizarlo y se establece el modelo MPCNN. El algoritmo propuesto se evalúa en el conjunto de datos de imágenes patológicas. Los resultados mostraron que el valor Acc, el valor F y el valor Re de la detección de células patológicas del algoritmo CNN SMC eran significativamente superiores a los de los otros dos algoritmos (P < 0,05). Los valores Dice, OL, Sen y Spe de la segmentación regional de imágenes patológicas del algoritmo CNN fueron significativamente superiores a los de los otros dos algoritmos, y la diferencia fue estadísticamente significativa (P < 0,05). La precisión, recuperación y medida F del algoritmo CNN optimizado para la detección de imágenes histopatológicas de mama fueron del 85,25%, 89,27% y 80,09%, respectivamente. En las dos bases de datos con estándares de segmentación, la precisión de segmentación de MPCNN es del 55%, 73,1%, 78,8% y 82,1%. En el modelo de red de convolución profunda, el tiempo de entrenamiento del algoritmo MPCNN es de unos 80 minutos. Esto demuestra que cuando la dimensión de la característica es baja, el mapa de características extraído por MPCNN es más eficaz que el método tradicional de extracción de características.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:red neuronal convolucional, algoritmo CNN, CNN, MPCNN, análisis de imágenes histopatológicas de mama, modelo de red convolucional profunda, método de detección de células en imágenes patológicas, método tradicional de extracción de características, modelo de segmentación fina, distribución gaussiana local.
• Keywords:convolutional neural network, CNN algorithm, CNN, MPCNN, breast histopathology image analysis, deep convolution network model, pathological image cell detection method, traditional feature extraction method, fine segmentation model, local Gaussian distribution