深度学习在检测胰腺瘤的诊断能力
M G Dinesh1, Nebojsa Bacanin2, S S Askar3
1Department of Computer Science and Engineering, EASA College of Engineering and Technology, Coimbatore, India.
Scientific reports
|June 15, 2023
概括
早期发现胰腺癌至关重要. 这项研究引入了一种使用深度学习和元启发技术的新系统,特别是基于YOLO模型的CNN (YCNN),以从CT扫描中准确预测胰腺癌,提高诊断能力.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 计算病理学计算病理学
背景情况:
- 胰腺癌的死亡率很高,因为诊断迟到.
- 在晚期诊断时,有效的治疗往往是不可能的.
- 自动化早期检测系统对于改善结果至关重要.
研究的目的:
- 开发一种基于深度学习和元启发的系统,用于早期的胰腺癌预测.
- 使用卷积神经网络 (CNN) 和基于YOLO模型的CNN (YCNN) 模型识别重要特征和癌症生长.
- 评估YCNN新的方法与其他用于胰腺癌预测的现代方法相比.
主要方法:
- 利用深度学习模型,包括CNN和YCNN,分析医学成像数据 (CT扫描).
- 采用元启发式技术与深度学习结合,以提高预测准确度.
- 使用生物标记数据和CT图像数据集进行模型测试和验证.
主要成果:
- YCNN方法在预测胰腺癌方面表现出100%的准确率.
- 与其他当代方法相比,在比较分析中取得了更高的性能.
- 通过CT扫描成功识别了胰腺内的重要特征和癌症比例.
结论:
- 开发的YCNN系统对准确和早期的胰腺癌检测有显著的前景.
- 深度学习和元启发技术为改善瘤诊断提供了强有力的方法.
- 这些发现支持实施自动化系统,以更早,更有效地诊断和治疗胰腺癌.
