Diagnóstico de imágenes histopatológicas para distinguir tipos de linfomas malignos utilizando técnicas híbridas basadas en características de fusión
Autores: Al-Mekhlafi, Zeyad Ghaleb; Senan, Ebrahim Mohammed; Mohammed, Badiea Abdulkarem; Alazmi, Meshari; Alayba, Abdulaziz M.; Alreshidi, Abdulrahman; Alshahrani, Mona
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Diagnóstico de imágenes histopatológicas para distinguir tipos de linfomas malignos utilizando técnicas híbridas basadas en características de fusión
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Linfoma maligno
Método de diagnóstico
Técnicas de aprendizaje profundo
Extracción de características
Clasificador de redes neuronales
Características morfológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
El linfoma maligno es uno de los tipos de tumores malignos que pueden llevar a la muerte. El método de diagnóstico para identificar el linfoma maligno es un análisis histopatológico de imágenes de tejido linfomatoso. Debido a las características morfológicas similares de los tipos de linfoma, es difícil para los médicos y especialistas distinguir manualmente los tipos de linfomas. Por lo tanto, las técnicas de aprendizaje profundo y automatizado buscan resolver este problema y ayudar a los clínicos a reconsiderar sus decisiones diagnósticas. Debido a la similitud de las características morfológicas entre los tipos de linfoma, este estudio tuvo como objetivo extraer características utilizando varios algoritmos y modelos de aprendizaje profundo y combinarlos en vectores de características. Se aplicaron dos conjuntos de datos, cada uno con dos sistemas diferentes para el diagnóstico confiable del linfoma maligno. El primer sistema fue un sistema híbrido entre DenseNet-121 y ResNet-50 para extraer características profundas y reducir sus dimensiones mediante el método de análisis de componentes principales (PCA), utilizando el algoritmo de máquina de vectores de soporte (SVM) para clasificar características profundas de baja dimensión. El segundo sistema se basó en extraer las características utilizando DenseNet-121 y ResNet-50 y combinarlas con las características hechas a mano extraídas por la matriz de co-ocurrencia de nivel de gris (GLCM), el histograma de colores difusos (FCH), la transformada wavelet discreta (DWT) y los algoritmos de patrón binario local (LBP) y clasificarlos utilizando un clasificador de red neuronal feed-forward (FFNN). Todos los sistemas lograron resultados superiores en el diagnóstico de los dos conjuntos de datos de linfomas malignos. Un clasificador FFNN con características de ResNet-50 y características hechas a mano alcanzó una precisión del 99.5%, una especificidad del 100%, una sensibilidad del 99.33% y un AUC del 99.86% para el primer conjunto de datos. En contraste, la misma técnica alcanzó el 100% para todas las medidas para diagnosticar el segundo conjunto de datos.
Descripción
El linfoma maligno es uno de los tipos de tumores malignos que pueden llevar a la muerte. El método de diagnóstico para identificar el linfoma maligno es un análisis histopatológico de imágenes de tejido linfomatoso. Debido a las características morfológicas similares de los tipos de linfoma, es difícil para los médicos y especialistas distinguir manualmente los tipos de linfomas. Por lo tanto, las técnicas de aprendizaje profundo y automatizado buscan resolver este problema y ayudar a los clínicos a reconsiderar sus decisiones diagnósticas. Debido a la similitud de las características morfológicas entre los tipos de linfoma, este estudio tuvo como objetivo extraer características utilizando varios algoritmos y modelos de aprendizaje profundo y combinarlos en vectores de características. Se aplicaron dos conjuntos de datos, cada uno con dos sistemas diferentes para el diagnóstico confiable del linfoma maligno. El primer sistema fue un sistema híbrido entre DenseNet-121 y ResNet-50 para extraer características profundas y reducir sus dimensiones mediante el método de análisis de componentes principales (PCA), utilizando el algoritmo de máquina de vectores de soporte (SVM) para clasificar características profundas de baja dimensión. El segundo sistema se basó en extraer las características utilizando DenseNet-121 y ResNet-50 y combinarlas con las características hechas a mano extraídas por la matriz de co-ocurrencia de nivel de gris (GLCM), el histograma de colores difusos (FCH), la transformada wavelet discreta (DWT) y los algoritmos de patrón binario local (LBP) y clasificarlos utilizando un clasificador de red neuronal feed-forward (FFNN). Todos los sistemas lograron resultados superiores en el diagnóstico de los dos conjuntos de datos de linfomas malignos. Un clasificador FFNN con características de ResNet-50 y características hechas a mano alcanzó una precisión del 99.5%, una especificidad del 100%, una sensibilidad del 99.33% y un AUC del 99.86% para el primer conjunto de datos. En contraste, la misma técnica alcanzó el 100% para todas las medidas para diagnosticar el segundo conjunto de datos.