一组三维深度神经网络模型,用于多属性评分和肺结节的分类

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:

• 肺癌的诊断依赖于肺结节的准确识别.
• 目前的诊断方法在区分良性结节和恶性结节方面可能受到限制.
• 深度学习有可能提高计算机辅助诊断 (CAD) 系统的准确性.

研究的目的:

• 开发和评估一个多任务组合深度神经网络 (DNN) 模型来分类肺结节.
• 为了提高区分良性和恶性肺结节的准确性.
• 探索属性的重要性,并引入一个基于知识的领域规范化技术.

主要方法:

• 开发了一种结合EfficientNetB0,基于BiGRU的SEResNext101和一个新的LungNet的多任务组合模型.
• 该模型对肺结节进行了二元分类和回归任务.
• 分析了属性的重要性,并提出并集成了一个基于领域知识的规范化技术.
• 该模型在LIDC-IDRI数据集上进行了评估.

主要成果:

• 当在损失函数中使用随机森林 (RF) 系数时,拟议的整体模型实现了96.4%的准确性.
• 与最先进的方法相比,比较分析显示出更高的预测能力.
• 接收器操作特征 (ROC) 曲线证实了比单个基础学习者更好的表现.

结论:

• 开发的基于CAD的模型在检测恶性肺结节方面表现出高效率.
• 多任务组合方法显著提高了肺结节的诊断准确性.
• 域知识和射频系数的整合提高了模型的预测能力.