基于CECT的高精度肾细胞癌亚型分类中CNN架构的比较分析

《IEEE Transactions on Energy Markets, Policy and Regulation》：Comparative Analysis of CNN Architectures for High-Accuracy Subtype Classification of Renal Cell Carcinoma using CECT

　　

摘要：

目标：肾细胞癌是一种异质性癌症，存在多种组织学亚型，需要个性化的临床管理。如果能够及时且准确地从影像数据中区分出亚型，就能提高诊断的准确性以及干预措施的合理性。方法：本研究比较了3种卷积神经网络架构——AlexNet、GoogleNet、VGG16、Resnet18和Densenet，以确定哪种架构在分析增强型计算机断层扫描图像的肾细胞癌亚型分类方面表现最佳。最初有90名患者的590张图像，通过基于解剖结构的增强处理（旋转±5°和2D缩放），共生成了3469张独特的图像，其中训练集、验证集和测试集的比例分别为70:15:15。每种架构都经过微调，采用了最优的学习率、dropout正则化以及L2惩罚措施，以避免过拟合现象。结果：如表IV所示，各架构的定量指标显示，VGG16的准确率最高，达到99.21%，但在较低学习率下会出现一定程度的过拟合现象。GoogleNet在经过优化后，准确率可达97.67%，但其性能对学习率的变化十分敏感。相比之下，AlexNet的收敛速度最为稳定，在三种不同的学习率下都能保持较高的泛化能力，准确率为98.84%，且处理时间远远低于其他两种网络。结论：这项研究表明，GoogleNet是一种可靠且成本效益高的卷积神经网络方案，可用于临床环境，帮助快速准确地根据影像数据判断肾细胞癌的特定亚型。意义：这些研究结果进一步证明了定制化的深度学习框架在早期肾细胞癌亚型分类方面的潜力，同时也为相关研究提供了参考……

查看更多