在计算机断层扫描图像中使用预先训练的网络和功能袋进行肺结节的自动分类
Thiago Lima1,2, Daniel Luz1,2,3, Antonio Oseas1,2,4
1Departamento de Computação, Universidade Federal do Piauí, Teresina, PI Brasil.
Multimedia tools and applications
|June 26, 2023
概括
这项研究开发了一种计算方法,用于在CT扫描上对肺结节进行分类. 使用功能袋 (BoF) 结合2D切片的特征,实现了95.34%的准确性,在肺结节诊断方面表现优于2D和3D CNN.
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
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 肺癌是全球癌症发病率的主要原因.
- 计算机断层扫描 (CT) 对于早期肺结节检测至关重要,但手动分析耗时且容易出现错误.
- 计算方法提供了一个潜在的解决方案,以协助专家分析CT扫描.
研究的目的:
- 开发和评估一种计算方法,使用CT图像将肺结节分类为良性或恶性.
- 调查从2DCT切片中提取的组合特征的有效性,用于3D结节分析.
- 将拟议的方法与传统的二维和三维卷积神经网络 (CNN) 进行比较.
主要方法:
- 使用预训练的深度学习架构 (VGG16,VGG19,Inception,Resnet50,Xception) 来从二维CT切片中提取特征.
- 应用主要组件分析 (PCA) 用于特征向量的维度缩小.
- 使用特征袋 (BoF) 将2D切片特征汇总成一个单一的3D节点签名.
- 实施随机森林用于肺结节的最终分类.
主要成果:
- 在来自LIDC-IDRI数据库的1,405个细分结节的数据集上,获得了95.34%的高精度.
- 获得了优秀的性能指标,包括F1-Score (91.73%),kappa (0.88),灵敏度 (90.53%),特异性 (97.26%),和AUC (0.99).
- 证明2D切片特征的BoF组合在结节分类方面表现优于2D和3DCNN.
结论:
- 拟议的方法,利用预训练模型和BoF进行特征聚合,对于CT扫描中的肺结节分类非常有效.
- 功能袋 (BoF) 能够创建一个独立于切片数量的结节签名,增强强性.
- 这种计算方法在提高肺癌诊断的准确性和效率方面显著有前途.
