Video Experimental Relacionado
Updated: Jul 17, 2026
07:15
Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
Detección de cáncer de pulmón multimodal utilizando una red fraccionaria neuronal difusa en cascada piramidal
Ramachandran A1, Michael Mahesh K2, Vijayan Panneerselvam1
1Department of Artificial Intelligence and Data Science, Saveetha Engineering College, Chennai, India.
Cancer investigation
|September 5, 2025
Resumen
Este estudio introduce una nueva Red Neuro-Fuzzy en Cascada Piramidal (PCNFFN) para la detección precisa del cáncer de pulmón (LCD) mediante tomografías computarizadas y PET. El modelo PCNFFN logró una alta precisión, mejorando el diagnóstico precoz y los resultados de los pacientes.
Área de la Ciencia:
- Imágenes médicas
- Inteligencia artificial en el cuidado de la salud
- Biología computacional
Sus antecedentes:
- La detección temprana del cáncer de pulmón (CDL) es fundamental para la supervivencia del paciente y la eficacia del tratamiento.
- La tomografía computarizada (TC) y la tomografía por emisión de positrones (PET) son modalidades clave de imágenes para el cribado del cáncer de pulmón.
- Las técnicas LCD existentes a menudo se enfrentan a limitaciones e incertidumbres.
Objetivo del estudio:
- Introducir una nueva Red Neuro-Fuzzy en Cascada Piramidal (PCNFFN) para mejorar la detección del cáncer de pulmón.
- Mejorar la precisión y fiabilidad del diagnóstico del cáncer de pulmón mediante el uso de imágenes integradas de TC y TEP.
- Abordar las incertidumbres en los métodos actuales de detección del cáncer de pulmón.
Principales métodos:
- Preprocesamiento de imágenes de TC y PET mediante un filtro bilateral (BF).
- Segmentación de los lóbulos pulmonares a través de la red V de doble atención (DAV-Net).
- Segmentación de tumores mediante agrupación difusa entrópica de agujeros negros (BHEFC).
- Extracción de características y detección final del cáncer de pulmón utilizando el PCNFFN, un híbrido de PyramidNet, NFN y cálculo fraccionario (FC).
Principales resultados:
- El modelo PCNFFN demostró una alta precisión de aproximadamente el 91,002%.
- Alcanzó una Tasa Verdaderamente Negativa (TNR) de alrededor del 90,504%.
- Alcanzó una Tasa Verdaderamente Positiva (TPR) de aproximadamente 92, 571% en la detección de cáncer de pulmón.
Conclusiones:
- El PCNFFN desarrollado ofrece un enfoque sólido y preciso para la detección del cáncer de pulmón.
- La integración de técnicas avanzadas de procesamiento de imágenes y aprendizaje profundo mejora significativamente el rendimiento diagnóstico.
- Este método es prometedor para un diagnóstico precoz y un tratamiento más eficaz del cáncer de pulmón.
