Der CRC-Datensatz und seine Bewertungsmethoden werden in diesem Abschnitt diskutiert. Darüber hinaus werden die Experimente des vorgeschlagenen Modells mit den verschiedenen drei Optimizern SAdagrad, Adagrad und Adam illustriert. Der Colorectal Cancer Histology-Datensatz CRC43 ist ein wichtiges Werkzeug für Wissenschaftler, die sich mit der Entwicklung von maschinellen Lernalgorithmen für die automatisierte Diagnose und Vorhersage befassen. Der Datensatz besteht aus über 10.000 histologischen Bildern von Darmkrebstumoren verschiedener Personen. Die Bilder weisen eine Pixelgröße von 0,495 m und eine Auflösung von 150 150 px (74 74 m) auf. In dem Datensatz sind acht verschiedene Zellklassen enthalten: "TUMOUR", "STROMA", "COMPLEX", "LYMPHO", "DEBRIS", "MUCOSA", "ADIPOSE" und "EMPTY". Diese Klassen repräsentieren verschiedene Gewebestrukturen oder Komponenten in histopathologischen Bildern.
Es wurde eine neue Methode eingeführt, um das Verhalten des adaptiven Optimierers Adagrad durch Kombination von Gewichtszerfall und Feinabstimmung zu verbessern, während der CRC-Datensatz klassifiziert wird. Der Datensatz CRC43 wurde vom Institut für Pathologie des Universitätsklinikums Heidelberg in Deutschland unter der Leitung von Dr. Jakob Nikolas Kather erstellt. Die Studie verwendet verschiedene Modelle wie ein einfaches CNN-Modell und das YOLO-Modell für die Experimente. Um Overfitting zu vermeiden, wird die Regularisierungstechnik (L2) als eine der gängigen Gewichtszerfalltechniken verwendet. Dadurch wird die Überanpassung des Modells verhindert und die Modellleistung verbessert. Die Experimente zeigen die umfassenden Ergebnisse und Analysen des vorgeschlagenen Modells mit SAdagrad.
Die Datenvorbereitung und Datenvervielfältigung sind entscheidend, um die Modelleingabe für das Netzwerk vorzubereiten und die Leistung des Modells zu verbessern. Die Bilder werden auf eine standardisierte Größe von 224 × 224 Pixel skaliert und die Pixelwerte normalisiert. Durch Datenvervielfältigung werden zusätzliche Trainingsbeispiele generiert, indem die Originalbilder rotationiert, verschoben oder gespiegelt werden. Die Verwendung von Transferlernen mit dem MobileNet-Modell und die Anwendung der Regularisierungstechnik zur Vermeidung von Overfitting tragen zur Verbesserung der Modellleistung bei. Die Ergebnisse der Experimente werden anhand von Metriken wie Genauigkeit, Präzision, Recall und F1-Score bewertet, um die Leistung des Modells zu beurteilen. Die Experimente zeigen die überlegene Leistung des vorgeschlagenen Modells im Vergleich zu anderen Arbeiten auf dem CRC-Datensatz.