AI Summary & Key Takeaways
AI InsightIt is very useful for early diagnosis of oral cancer.
📌 3 Key Takeaways
Abstract
The Histopathologic Oral Cancer Detection Dataset, which consists of meticulously annotated high-resolution histopathological images, is an essential resource for advancing the early diagnosis and classification of oral cancer. The dataset, categorized into "Normal" and "Oral Squamous Cell Carcinoma (OSCC)" classes, underpins the development and evaluation of sophisticated deep learning models, particularly Convolutional Neural Networks (CNNs), designed to distinguish between malignant and non-malignant tissue samples. In this study, the efficacy of the ResNet50 deep learning architecture was rigorously evaluated for its ability to classify histopathological images of oral cancer. Two methodologies were investigated: initially, ResNet50 was applied as an independent classifier, achieving a Precision, Recall, F1 Score, and Accuracy of 97.43%, alongside an MCC of 94.86 and an AUC of 97.43%. Subsequently, the study incorporated Contrast Limited Adaptive Histogram Equalization (CLAHE) during the pre-processing phase, a technique well-regarded for enhancing image contrast adaptively, particularly in medical imaging contexts. The integration of CLAHE resulted in a marked improvement in performance, with the model attaining a Precision of 98.37%, Recall of 98.33%, F1 Score of 98.33%, Accuracy of 98.33%, MCC of 96.70%, and AUC of 98.37%. These results emphasized the importance of CLAHE. It is very useful for early diagnosis of oral cancer.
Özet
Özenle açıklanmış yüksek çözünürlüklü histopatolojik görüntülerden oluşan Histopatolojik Ağız Kanseri Tespit Veri Seti, ağız kanserinin erken teşhisini ve sınıflandırılmasını ilerletmek için önemli bir kaynaktır. "Normal" ve "Ağız Skuamöz Hücreli Karsinom (OSCC)" sınıflarına ayrılan veri seti, özellikle kötü huylu ve kötü huylu olmayan doku örnekleri arasında ayrım yapmak üzere tasarlanmış Evrişimsel Sinir Ağları (CNN'ler) olmak üzere sofistike derin öğrenme modellerinin geliştirilmesi ve değerlendirilmesinin temelini oluşturur. Bu çalışmada, ResNet50 derin öğrenme mimarisinin etkinliği, ağız kanserinin histopatolojik görüntülerini sınıflandırma yeteneği açısından titizlikle değerlendirildi. İki metodoloji araştırıldı: başlangıçta, ResNet50 bağımsız bir sınıflandırıcı olarak uygulandı ve %97,43'lük bir Hassasiyet, Geri Çağırma, F1 Puanı ve Doğruluk ile birlikte %94,86'lık bir MCC ve %97,43'lük bir AUC elde edildi. Daha sonra, çalışma ön işleme aşaması sırasında, özellikle tıbbi görüntüleme bağlamlarında görüntü kontrastını uyarlamalı olarak geliştirmek için iyi bilinen bir teknik olan Kontrast Sınırlı Uyarlamalı Histogram Eşitlemeyi (CLAHE) dahil etti. CLAHE'nin entegrasyonu, modelin %98,37 Hassasiyet, %98,33 Geri Çağırma, %98,33 F1 Puanı, %98,33 Doğruluk, %96,70 MCC ve %98,37 AUC elde etmesiyle performansta belirgin bir iyileşme sağladı. Bu sonuçlar CLAHE'nin önemini vurguladı. Ağız kanserinin erken teşhisi için çok faydalıdır.