多尺度自校准的肺结节检测网络融合了双重注意力机制
Yong Zhu1, LiXin Xu1, Yusi Liu1
1Changchun University of Science and Technology, School of Computer Science and Technology, Changchun, People's Republic of China.
Physics in medicine and biology
|July 14, 2023
概括
一个新的深度学习模型,DEPMSCNet,通过提高灵敏度和减少CT扫描中的错误阳性,显著改善了肺结节检测. 这种先进的网络通过尽量减少不必要的发现来帮助放射科医生.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 在CT扫描中检测肺结节对于早期肺癌诊断至关重要.
- 现有的方法经常因高假阳性率和低于最佳的灵敏度而扎.
- 准确的检测需要复杂的成像数据的复杂分析.
研究的目的:
- 开发一种高度敏感和特定的深度学习模型来检测肺结节.
- 引入新的模块,以改善CT分析中的特征提取和信息融合.
- 为了减少放射科医生解释医学扫描的错误阳性负担.
主要方法:
- 拟议的DEPMSCNet (一个多尺度自校准网络) 采用REPSA-MSC用于多尺度特征提取和DSAM用于双路径空间注意.
- 利用图像金字塔策略和自适应卷积分支与道注意力来提高灵敏度.
- 使用焦点损失来解决阶级不平衡并提高模型的稳定性.
- 在 LUNA16 挑战数据集上对模型进行了评估.
主要成果:
- 在LUNA16数据集上,获得了0.988的高灵敏度和0.963的竞争性绩效指标 (CPM).
- 在灵敏度和特异性方面都超过了最先进的检测算法.
- 废弃性研究证实了拟议的REPSA-MSC和DSAM模块的有效性.
结论:
- 该DEPMSCNet模型在肺结节检测方面表现出卓越的性能.
- 新的REPSA-MSC和DSAM模块有效地提高了灵敏度和特异性.
- 这种方法在计算机辅助检测方面取得了重大进展,减少了放射科医生的工作量,提高了诊断准确度.
