Enhancing breast cancer detection from histopathology images: A novel ensemble approach with deep learning-based feature extraction
Creators
- 1. Botho University
- 2. Rajiv Gandhi University of Knowledge Technologies
- 3. Koneru Lakshmaiah Education Foundation
Description
Effective detection and diagnostic procedures are necessary to enhance patient results for the common and life-threatening illness of breast cancer. Current approaches have limits in scalability and efficiency, highlighting the need for more study. This work introduces a hybrid Breast Cancer (BC) detecting approach that merges Deep Learning (DL) with pre-trained modeling of Histopathology Images (HPI) and an ensemble-based Machine Learning (ML) approach. DL integration allows learning and identifying hidden trends in intricate BC pictures, while ML techniques provide interpretability and generalization skills. Contrast Limited Adaptive Histogram Equalization (CLAHE) was used on HPI as a pre-processing technique to improve picture quality. The ResNet50V2 model was used for deep feature extraction. The Ensemble Learning (EL) model combines predictions from four basic ML approaches using soft voting. The research attained a superior accuracy, precision, recall, and F1 score compared to the most advanced models. This study provides substantial advancements in breast cancer diagnosis, thorough performance evaluation, and reliable assessment. Furthermore, it helps medical personnel make well-informed choices, enhance patient care, and improve results for BC sufferers.
Translated Descriptions
Translated Description (Arabic)
إجراءات الكشف والتشخيص الفعالة ضرورية لتعزيز نتائج المرضى لمرض سرطان الثدي الشائع والمهدد للحياة. وللنهج الحالية حدود في قابلية التوسع والكفاءة، مما يسلط الضوء على الحاجة إلى مزيد من الدراسة. يقدم هذا العمل نهجًا هجينًا للكشف عن سرطان الثدي يدمج التعلم العميق مع النمذجة المدربة مسبقًا لصور أمراض الأنسجة ونهج التعلم الآلي القائم على المجموعة. يسمح تكامل التعلم الرقمي بالتعلم وتحديد الاتجاهات الخفية في صور استمرارية الأعمال المعقدة، بينما توفر تقنيات التعلم الآلي مهارات التفسير والتعميم. تم استخدام معادلة الرسم البياني التكيفي المحدود المتباين (CLAHE) في دليل الأداء البشري كأسلوب معالجة مسبقة لتحسين جودة الصورة. تم استخدام نموذج ResNet50V2 لاستخراج الميزات العميقة. يجمع نموذج التعلم الجماعي بين التنبؤات من أربعة مناهج أساسية لتعلم الآلة باستخدام التصويت الناعم. حقق البحث دقة فائقة ودقة واستدعاء ودرجة F1 مقارنة بالنماذج الأكثر تقدمًا. تقدم هذه الدراسة تطورات كبيرة في تشخيص سرطان الثدي، وتقييم شامل للأداء، وتقييم موثوق. علاوة على ذلك، فإنه يساعد الموظفين الطبيين على اتخاذ خيارات مستنيرة، وتعزيز رعاية المرضى، وتحسين النتائج لمرضى كولومبيا البريطانية.Translated Description (French)
Des procédures efficaces de détection et de diagnostic sont nécessaires pour améliorer les résultats des patientes pour la maladie courante et potentiellement mortelle du cancer du sein. Les approches actuelles ont des limites en termes d'évolutivité et d'efficacité, ce qui souligne la nécessité de poursuivre les études. Ce travail introduit une approche hybride de détection du cancer du sein (BC) qui fusionne l'apprentissage profond (DL) avec la modélisation pré-entraînée des images d'histopathologie (HPI) et une approche d'apprentissage automatique (ML) basée sur un ensemble. L'intégration DL permet d'apprendre et d'identifier les tendances cachées dans les images BC complexes, tandis que les techniques ML fournissent des compétences d'interprétabilité et de généralisation. L'égalisation adaptative de l'histogramme à contraste limité (CLAHE) a été utilisée sur HPI comme technique de prétraitement pour améliorer la qualité de l'image. Le modèle ResNet50V2 a été utilisé pour l'extraction de caractéristiques profondes. Le modèle Ensemble Learning (EL) combine les prédictions de quatre approches de ML de base utilisant le vote en douceur. La recherche a atteint une précision, une précision, un rappel et un score F1 supérieurs par rapport aux modèles les plus avancés. Cette étude fournit des progrès substantiels dans le diagnostic du cancer du sein, une évaluation approfondie des performances et une évaluation fiable. De plus, il aide le personnel médical à faire des choix éclairés, à améliorer les soins aux patients et à améliorer les résultats pour les personnes atteintes de CB.Translated Description (Spanish)
Se necesitan procedimientos efectivos de detección y diagnóstico para mejorar los resultados de los pacientes con la enfermedad común y potencialmente mortal del cáncer de mama. Los enfoques actuales tienen límites en la escalabilidad y la eficiencia, lo que destaca la necesidad de más estudios. Este trabajo presenta un enfoque híbrido de detección de cáncer de mama (BC) que combina el aprendizaje profundo (DL) con el modelado preentrenado de imágenes histopatológicas (HPI) y un enfoque de aprendizaje automático (ML) basado en conjuntos. La integración de DL permite aprender e identificar tendencias ocultas en imágenes complejas de BC, mientras que las técnicas de ML proporcionan habilidades de interpretación y generalización. Se utilizó la Ecualización de Histograma Adaptativo Limitado por Contraste (CLAHE) en HPI como una técnica de preprocesamiento para mejorar la calidad de la imagen. Se utilizó el modelo ResNet50V2 para la extracción profunda de características. El modelo de Aprendizaje en Conjunto (EL, por sus siglas en inglés) combina predicciones de cuatro enfoques básicos de ML utilizando votación suave. La investigación alcanzó una precisión, un recordatorio y una puntuación de F1 superiores en comparación con los modelos más avanzados. Este estudio proporciona avances sustanciales en el diagnóstico del cáncer de mama, una evaluación exhaustiva del rendimiento y una evaluación fiable. Además, ayuda al personal médico a tomar decisiones bien informadas, mejorar la atención al paciente y mejorar los resultados para los pacientes con BC.Files
matecconf_icmed2024_01139.pdf.pdf
Files
(24 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:7624dcbc096921e31a1da610e19a546e
|
24 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تعزيز الكشف عن سرطان الثدي من صور التشريح المرضي: نهج جديد للمجموعة مع استخراج الميزات القائمة على التعلم العميق
- Translated title (French)
- Améliorer la détection du cancer du sein à partir d'images histopathologiques : une nouvelle approche d'ensemble avec extraction de caractéristiques basée sur l'apprentissage en profondeur
- Translated title (Spanish)
- Mejora de la detección del cáncer de mama a partir de imágenes histopatológicas: un nuevo enfoque de conjunto con extracción de características basada en el aprendizaje profundo
Identifiers
- Other
- https://openalex.org/W4392921163
- DOI
- 10.1051/matecconf/202439201139
References
- https://openalex.org/W2792433889
- https://openalex.org/W2998449599
- https://openalex.org/W3048101421
- https://openalex.org/W3092526504
- https://openalex.org/W3126637267
- https://openalex.org/W3135716056
- https://openalex.org/W3154228815
- https://openalex.org/W3191703705
- https://openalex.org/W3192759148
- https://openalex.org/W4296432997
- https://openalex.org/W4318240060
- https://openalex.org/W4379802548
- https://openalex.org/W4385731922
- https://openalex.org/W4385819962