ResNet的深度学习模型与CBAM结合在计算机断层扫描图像上对恶性-良性肺结节的分类
Yanfei Zhang1,2, Wei Feng1,2, Zhiyuan Wu1,2
1Department of Epidemiology and Health Statistics, School of Public Health, Capital Medical University, Beijing 100069, China.
Medicina (Kaunas, Lithuania)
|June 28, 2023
概括
这项研究表明,结合ResNet和CBAM的深度学习模型显著提高了使用CT扫描,临床数据和形态特征对肺结节的分类准确度.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 肺癌是全球主要的健康问题,肺结节的准确诊断至关重要.
- 区分良性和恶性结节的影响早期检测和患者的结果.
研究的目的:
- 评估一个深度学习模型 (ResNet-CBAM) 用于分类肺结节.
- 用CT图像,形态特征和临床数据来评估其性能.
主要方法:
- 使用了8241个带有肺结节的CT切片的数据集.
- 为了分类,ResNet与CBAM (ResNet-CBAM) 结合开发了ResNet.
- 一个比较模型,NSDTCT-SVM,被用于绩效基准测试.
主要成果:
- 仅使用图像,ResNet-CBAM模型实现了0.940的AUC和0.867的精度.
- 整合形态和临床数据改善了性能 (AUC:0.957,准确率:0.898).
- 进行比较的NSDTCT-SVM模型显示性能较低 (AUC:0.807,精度:0.779).
结论:
- 深度学习模型,特别是在整合各种数据时,可以提高肺结节的分类.
- 开发的ResNet-CBAM模型显示出帮助临床医生准确诊断结节的前景.
