肺结节的诊断分类使用多个尺度的残留网络
Hongfeng Wang1, Hai Zhu1, Lihua Ding2
1School of Network Engineering, Zhoukou Normal University, Zhoukou, 466001, China.
Scientific reports
|July 13, 2023
概括
一个新的深度学习模型,MResNet,在CT扫描上准确地分类肺结节. 这种工具有助于区分良性和恶性瘤,改善肺癌查和诊断.
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:
- 计算机断层扫描 (CT) 扫描对于肺癌查和降低死亡率至关重要.
- 在CT图像上精确区分良性和恶性肺结节仍然是一个重大的临床挑战.
研究的目的:
- 开发和评估一个多个尺度的残留网络 (MResNet) 用于使用深度学习进行自动化肺结节分类.
- 为了提高CT图像中从肺结节中提取一般特征的精度.
主要方法:
- MResNet模型集成了剩余单元和一个金字塔聚合模块 (PPM) 来进行特征学习.
- ResNet作为背景信息和特征表示的支柱,而PPM融合了多个尺度的特征.
主要成果:
- 在训练集中,MResNet实现了高性能,准确率为99.12%,灵敏度为98.64%,AUC为0.9998.
- 在测试组中,MResNet显示了85.23%的准确性,92.79%的灵敏度和0.9275的AUC,这表明恶性瘤风险估计的表现强.
结论:
- 开发的MResNet显示了通过CT检测到的肺结节的恶性瘤风险的准确评估的巨大潜力.
- 这种深度学习模型可以提供可靠的恶性瘤风险评分,可能为临床医生优化肺癌查和管理.
