Breast Cancer Histopathology Classification using CBAM-EfficientNetV2 with Transfer Learning

要約

乳がんの組織病理学の画像分類は、早期発見と患者の転帰の改善に重要です。
1この研究では、特徴抽出を改善し、関連する組織領域に焦点を当てるために、EfficientNetv2モデルを活用する新しいアプローチを紹介します。
提案されたモデルは、複数の倍率スケール（40x、100x、200x、および400x）にわたってBreakHisデータセットで評価されました。
2の中で、CBAMのEfficientNetv2-XLは優れたパフォーマンスを達成し、99.01％のピーク精度と400倍の倍率で98.31％のF1スコアに達し、最先端の方法を上回りました。
3コントラスト限定された適応ヒストグラムイコライゼーション（CLAHE）を前処理と計算効率の最適化のために統合することにより、この方法はリアルタイムの臨床展開に対する適合性を示しています。
3結果は、乳がん検出の診断精度を進める上で、注意強化されたスケーラブルなアーキテクチャの可能性を強調しています。

要約(オリジナル)

Breast cancer histopathology image classification is critical for early detection and improved patient outcomes. 1 This study introduces a novel approach leveraging EfficientNetV2 models, to improve feature extraction and focus on relevant tissue regions. The proposed models were evaluated on the BreakHis dataset across multiple magnification scales (40X, 100X, 200X, and 400X). 2 Among them, the EfficientNetV2-XL with CBAM achieved outstanding performance, reaching a peak accuracy of 99.01 percent and an F1-score of 98.31 percent at 400X magnification, outperforming state-of-the-art methods. 3 By integrating Contrast Limited Adaptive Histogram Equalization (CLAHE) for preprocessing and optimizing computational efficiency, this method demonstrates its suitability for real-time clinical deployment. 3 The results underscore the potential of attention-enhanced scalable architectures in advancing diagnostic precision for breast cancer detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google