基于混合深度学习技术的CT图像对肺结节诊断的早期预测和分类
Vijay Kumar Gugulothu1,2, S Balaji2
1Department of Computer Science & Engineering, Koneru Lakshmaiah Education Foundation, Deemed to be University and Head of Computer Engg. Department of Computer Science & Engineering, Govt. Polytechnic, Masab Tank, Hyderabad, 500075 Telangana India.
Multimedia tools and applications
|June 26, 2023
概括
这项研究引入了一种混合深度学习方法,用于在CT扫描中检测肺结节. 该方法提高了肺癌查的准确性和速度,有助于早期诊断和患者的生存.
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:
- 早期发现恶性肺结节对于改善肺癌患者的生存率至关重要.
- 计算机断层扫描 (CT) 成像对于肺癌查至关重要,但由于结节的多样性和复杂的成像环境,精确的结节识别具有挑战性.
- 混合深度学习技术有可能提高CT扫描中肺结节检测的灵敏度和解释速度.
研究的目的:
- 提出和评估一种新的混合深度学习技术,用于CT图像中肺结节的检测和分类.
- 通过先进的结节识别方法,提高肺癌查的准确性和效率.
- 减少肺结节检测中的错误阳性,从而提高诊断可靠性.
主要方法:
- 开发了一个混合深度学习框架 (LNDC-HDL),集成多个优化和分类算法.
- 肺结节细分使用混乱鸟群优化 (CBSO) 算法进行.
- 特性提取和选择使用了改进的鱼蜜蜂 (IFB) 算法,随后使用基于混合差异进化神经网络 (HDE-NN) 的分类.
主要成果:
- 拟议的LNDC-HDL技术在CT扫描上检测肺结节时表现出更高的灵敏度.
- 与现有方法相比,HDE-NN分类器显著减少了虚假阳性结果的数量.
- 实验结果验证了HDE-NN结构对于精确检测肺结节的效率和重要性.
结论:
- 开发的混合深度学习方法 (LNDC-HDL) 能够有效地检测和分类CT图像中的肺结节.
- 该方法显著提高了灵敏度和减少了假阳性,这对于早期肺癌诊断至关重要.
- 将这种基于HDE-NN的结节检测集成到临床实践中,可以提高肺癌查结果和患者护理.
