在使用超深度算法的肺膜图像上检测肺结节
Da Fang1,2, Hao Jiang1,2, Wenyang Chen1,2
1School of Physics and Electronic Information, Yunnan Normal University, Kunming 650500, China.
Heliyon
|July 14, 2023
概括
这项研究引入了一种安全的超深度学习框架,用于在CT扫描中检测肺结节. 该方法通过在医疗物联网网络中的迁移学习来增强肺癌诊断和患者隐私.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 信息安全 信息安全
背景情况:
- 肺癌发病率上升需要改进的诊断工具.
- 在CT图像中检测肺结节对于早期肺癌诊断至关重要.
- 患者数据隐私在医疗物联网 (IoT) 应用中至关重要.
研究的目的:
- 开发一个安全有效的框架,用于肺结节检测.
- 为了提高数据保密性,利用迁移学习.
- 提高肺癌诊断准确度,降低死亡率.
主要方法:
- 应用K-Means用于通过医疗物联网网络进行肺部细分,消毒和肺膜提取.
- 利用迁移学习:对MS-COCO数据集进行预训练,对LUNA16数据集进行微调.
- 采用安全的超深度学习算法来检测结节.
主要成果:
- 证明了拟议管道在准确检测肺结节的有效性.
- 通过广泛的实验评估,在结节检测方面取得了高准确性.
- 验证了框架在可靠的肺结节识别方面的潜力.
结论:
- 开发的框架为可靠的肺结节检测提供了一个有希望的方法.
- 整合迁移学习可以提高医疗物联网中的患者数据安全性.
- 这项技术有可能显著改善肺癌诊断和患者的治疗结果.
