The analysis of tissue of a tumor in the oral cavity is essential for the pathologist to ascertain its grading. Recent studies using biopsy images reveal computer-aided diagnosis for oral sub-mucous fibrosis (OSF) carried out using machine learning algorithms, but no research has yet been outlined for multi-class grading of oral squamous cell carcinoma (OSCC). Pertinently, with the advent of deep learning in digital imaging and computational aid in the diagnosis, multi-class classification of OSCC biopsy images can help in timely and effective prognosis and multi-modal treatment protocols for oral cancer patients, thus reducing the operational workload of pathologists while enhancing management of the disease. With this motivation, this study attempts to classify OSCC into its four classes as per the Broder's system of histological grading. The study is conducted on oral biopsy images applying two methods: (i) through the application of transfer learning using pre-trained deep convolutional neural network (CNN) wherein four candidate pre-trained models, namely Alexnet, VGG-16, VGG-19 and Resnet-50, were chosen to find the most suitable model for our classification problem, and (ii) by a proposed CNN model. Although the highest classification accuracy of 92.15% is achieved by Resnet-50 model, the experimental findings highlight that the proposed CNN model outperformed the transfer learning approaches displaying accuracy of 97.5%. It can be concluded that the proposed CNN based multi-class grading method of OSCC could be used for diagnosis of patients with OSCC.

中文翻译：

---

使用转移学习和卷积神经网络将口腔鳞状上皮癌上皮组织中的细胞自动分类为多个类别。

口腔内肿瘤组织的分析对于病理学家确定其分级至关重要。最近使用活检图像进行的研究表明，使用机器学习算法对口腔粘膜下纤维化（OSF）进行了计算机辅助诊断，但尚未概述口腔鳞状细胞癌（OSCC）的多级分级的研究。与此相关的是，随着数字成像深度学习的出现和诊断中的计算辅助的出现，OSCC活检图像的多类分类可以帮助及时有效地为口腔癌患者提供预后和多模式治疗方案，从而减少癌症患者的手术工作量。病理学家，同时加强对疾病的管理。在这种动机下，本研究试图根据Broder的组织学分级系统将OSCC分为四个类别。该研究是通过两种方法对口腔活检图像进行的：（i）通过使用预训练的深度卷积神经网络（CNN）进行转移学习的应用，其中四个候选的预训练模型，即Alexnet，VGG-16，VGG-19选择了Resnet-50和Resnet-50，以找到最适合我们分类问题的模型，以及（ii）提出的CNN模型。尽管通过Resnet-50模型可以达到92.15％的最高分类精度，但实验结果表明，所提出的CNN模型优于显示了97.5％准确性的转移学习方法。可以得出结论，提出的基于CNN的OSCC多级分级方法可用于OSCC患者的诊断。（i）通过使用预训练的深度卷积神经网络（CNN）进行迁移学习的应用，其中选择了四个候选的预训练模型，即Alexnet，VGG-16，VGG-19和Resnet-50，以找到最合适的模型（ii）提出的CNN模型。尽管通过Resnet-50模型可以达到92.15％的最高分类精度，但实验结果表明，所提出的CNN模型优于显示了97.5％准确性的转移学习方法。可以得出结论，提出的基于CNN的OSCC多级分级方法可用于OSCC患者的诊断。（i）通过使用预训练的深度卷积神经网络（CNN）进行迁移学习的应用，其中选择了四个候选的预训练模型，即Alexnet，VGG-16，VGG-19和Resnet-50，以找到最合适的模型（ii）提出的CNN模型。尽管通过Resnet-50模型可以达到92.15％的最高分类精度，但实验结果表明，所提出的CNN模型优于显示了97.5％准确性的转移学习方法。可以得出结论，提出的基于CNN的OSCC多级分级方法可用于OSCC患者的诊断。被选择为我们的分类问题找到最合适的模型，以及（ii）提出的CNN模型。尽管通过Resnet-50模型可以达到92.15％的最高分类精度，但实验结果表明，所提出的CNN模型优于显示了97.5％准确性的转移学习方法。可以得出结论，提出的基于CNN的OSCC多级分级方法可用于OSCC患者的诊断。被选择为我们的分类问题找到最合适的模型，以及（ii）提出的CNN模型。尽管通过Resnet-50模型可以达到92.15％的最高分类精度，但实验结果表明，所提出的CNN模型优于显示了97.5％准确性的转移学习方法。可以得出结论，提出的基于CNN的OSCC多级分级方法可用于OSCC患者的诊断。