Pendanaan: Penulis tidak menerima pendanaan khusus untuk pekerjaan ini.

ABSTRAK

Kanker payudara (KPD) merupakan penyebab kematian akibat kanker terbanyak di seluruh dunia, jadi sangat penting untuk mempertimbangkannya sebagai masalah utama dan menekankan diagnosis yang tepat serta deteksi dini. Studi ini memperkenalkan strategi pembelajaran mendalam yang disebut EMViT-BCC untuk klasifikasi citra histopatologi KPD menjadi dua kelas dan delapan kelas. Model yang diusulkan menggunakan blok Mobile Vision Transformer (MobileViT), yang menangkap fitur lokal dan global serta mengekstraksi fitur yang diperlukan untuk tugas klasifikasi. Pendekatan yang diusulkan dilatih dan dievaluasi pada set data BreaKHis standar. Model dievaluasi dengan citra histopatologi mentah asli serta citra yang dinormalisasi pewarnaan untuk analisis tugas klasifikasi. Eksperimen ekstensif menunjukkan bahwa EMViT-BCC yang diusulkan mencapai akurasi dan ketahanan yang lebih tinggi dalam mengklasifikasikan citra jinak dan ganas serta mengidentifikasi berbagai subtipe KPD. Hasil kami menunjukkan bahwa dengan menggabungkan lapisan lebih lanjut, kinerja klasifikasi MobileViT dapat ditingkatkan secara signifikan, dengan 99,43% untuk klasifikasi dua kelas dan 93,61% untuk klasifikasi delapan kelas. Temuan ini menunjukkan bahwa meskipun normalisasi pewarnaan dapat menstandardisasi variasi, data gambar asli tetap mempertahankan detail penting yang meningkatkan kinerja model. Dibandingkan dengan karya yang ada, metodologi yang diusulkan melampaui metode mutakhir (SOTA) untuk klasifikasi gambar histopatologi BC. Pendekatan yang diusulkan menawarkan solusi yang menjanjikan untuk klasifikasi BC yang andal untuk biner dan multikelas.