肺がんの検出を強化するコンボリュショナル・シーケンシャル・ネットワーク
Usman Haziq1, Jamal Uddin1, Shahid Rahman2
1Department of Computer Science, Riphah International University, Lahore, 55150, Punjab, Pakistan.
Scientific reports
|September 1, 2025
まとめ
この研究は,肺がん検出のための最適化された連続折り畳みネットワーク (SCNN) を導入します. SCNNモデルは分類の精度を大幅に向上させ,組織学的画像の処理時間を短縮します.
科学分野:
- 腫瘍学
- 医療用イメージング
- 人工知能
背景:
- 肺がんは世界中で がんによる死亡の主な原因であり,早期発見方法の改善が必要である.
- 肺がんの診断のための現在の医学画像技術には,偽陽性と偽陰性などの限界があります.
- 従来のディープラーニングモデルは,コンボリューションニューラルネットワーク (CNN) のように,高い計算複雑性と遅い推論を示しています.
研究 の 目的:
- 肺がんの正確で効率的な分類のための最適化された連続折り畳みネットワーク (SCNN) を開発する.
- 速度や計算能力の面で 伝統的なCNNの限界を解決するためです
- 肺がんの臨床診断における ディープラーニングの実用性を高める
主な方法:
- 提案されたSCNNモデルは,3つの折り畳み層,最大3つのプール層,平らな層,密度の高い層を含む.
- このモデルは,アデノカルシノーマ,良性および状細胞がんを含む組織学的イメージングデータセットで訓練され,評価されました.
- 性能は従来のCNN,R-CNN,カスタム初期分類器と比較した.
主要な成果:
- SCNNモデルは平均95.34%の精度と60期間のF1スコアを達成した.
- 分類精度は95.66%で,リコール率は95.33%でした.
- SCNNは,従来のCNNベースの方法と比較して優れた速度と堅実性を実証し,1000秒以内に分類を完了しました.
結論:
- SCNNは肺がんの検出の正確性と効率性を向上させるための 実践的で拡張可能なソリューションです
- この最適化されたディープラーニングのアプローチは,組織学的画像分類の既存の方法に比べて,著しく進歩しています.
- SCNNの性能は,肺がんの診断における臨床実践と患者のアウトカムを改善する可能性を示唆しています.
