一个轻量级的神经网络用于肺结节检测,基于改进的幽灵模块
Liuyang Yang1, Hongyu Cai1, Xinyu Luo1
1Department of Management Science and Information System, Faculty of Management and Economics, Kunming University of Science and Technology, Kunming, China.
Quantitative imaging in medicine and surgery
|July 17, 2023
概括
这项研究引入了一种新的轻量级神经网络,用于CT扫描中检测肺结节,提高诊断的准确性和效率. 拟议的Yolov4-GNet模型提高了结节检测率和定位精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 计算机断层扫描 (CT) 对于肺部疾病的评估至关重要,但由于图像质量和诊断工作量,结节的检测具有挑战性.
- 深层卷积神经网络显示出对自动肺结节检测的前景.
- 目前的方法需要显著的医生经验和人机交互.
研究的目的:
- 开发一个轻量级的神经网络,以准确高效地检测肺结节.
- 为了减少医生在肺结节识别中的诊断劳动.
- 为了提高智能肺结节检测系统的精度和回忆.
主要方法:
- 提出了一个修改后的GhostNet架构 (Yolov4-GNet),将从MobileNetV3.3中改进的bneck结构纳入其中.
- 引入和调整了道注意力和时空注意力机制.
- 深度可分离的卷积取代了标准的3x3卷积,以减少模型参数并提高网络适用性.
主要成果:
- 约洛夫4-GNet的F1得分为0.87,精度为86.34%,回忆率为86.69%.
- 拟议的网络在研究数据集上的精度,回忆和F1分数方面超过了现有的神经网络.
- 与原始网络结构相比,参数数量显著减少.
结论:
- 开发的肺结节检测方法简化了图像处理,提高了检测速率和准确性.
- 这项研究提供了一种新且有效的方法,用于使用深度学习来检测肺结节.
- 轻量级的神经网络为改善手术前肺部疾病评估提供了一个有前途的工具.
