An Empirical Evaluation of ResNet-SE-16 for Accurate Classification of Lung Cancer Using Histopathological Images

Dieses Kapitel untersucht die Entwicklung und Bewertung eines verbesserten ResNet-SE-16 Modells zur Klassifizierung von Lungenkrebssubtypen anhand histopathologischer Bilder. Die Studie konzentriert sich auf die Verbesserung der Recheneffizienz bei gleichzeitiger Aufrechterhaltung hoher Genauigkeit. Zu den Schlüsselthemen zählen die Architektur des Modells, Datenerfassung und -erweiterung, Schulungs- und Testverfahren sowie Leistungskennzahlen. Das Modell erreicht eine Genauigkeit von 97% und übertrifft andere Modelle in Bezug auf die Formel-1-Punktzahl, Präzision, Rückruf und Genauigkeit. Die Integration von Squeeze-and-Excitation Networks (SENets) mit einem 16-lagigen ResNet ermöglicht eine effiziente Feature-Extraktion und -Klassifizierung. Die Leistung des Modells wird anhand einer Verwirrungsmatrix validiert und zeigt seine Wirksamkeit bei der Unterscheidung zwischen Adenokarzinom, Plattenepithelkarzinom und gutartigem Gewebe. Diese Forschung unterstreicht das Potenzial verbesserter ResNet-Modelle in der medizinischen Bildgebung und bietet ein Gleichgewicht zwischen Genauigkeit und Rechenleistung.