基于深度学习方法的瘤检测和分类:CT扫描中的新数据集

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 瘤 (KT) 是一种普遍存在的全球癌症,在全球发病率方面排名第七.
• 早期发现KT可显著改善患者的治疗结果,降低死亡率,并使有效的预防策略成为可能.
• 传统的KT诊断是耗时和劳动密集的,强调了对先进诊断工具的需求.

研究的目的:

• 开发和评估深度学习 (DL) 模型,用于计算机断层扫描 (CT) 中自动检测和分类瘤.
• 评估新型2D-CNN模型的性能与已建立的KT诊断架构相比.
• 引入脏CT扫描的全新,全面的数据集,用于KT检测的研究和开发.

主要方法:

• 提出了三种用于KT检测的2D-CNN模型:CNN-6,ResNet50和VGG16.
• 专门为KT分类开发了一个2D-CNN模型 (CNN-4).
• 使用了一套新型数据集,包括120名怀疑患有质量的患者的8,400张CT图像,分为80%的培训和20%的测试集.

主要成果:

• 在CNN-6模型中,KT检测的准确率达到97%.
• 在KT检测中,ResNet50显示了96%的准确性.
• 在KT分类中,CNN-4模型达到92%的准确性.

结论:

• 开发的DL模型在检测和分类脏瘤方面显示出高准确性,比传统方法有了显著的进步.
• 这些模型可以减少放射科医生的工作量,最大限度地降低误诊风险,并提高医疗保健服务的整体质量.
• 这些人工智能工具所促进的早期检测有可能改变疾病轨迹并挽救患者的生命.