使用卷积神经网络的指数化方法的有效性,用于根据恶性瘤水平在CT图像上对肺结节进行分类
Takuma Usuzaki1, Kengo Takahashi2, Hidenobu Takagi3,4
1Department of Diagnostic Radiology, Tohoku University Hospital, 1-1 Seiryo-Machi, Aoba-Ku, Sendai, Miyagi, 980-8574, Japan. takuma.usuzaki.p6@dc.tohoku.ac.jp.
European radiology
|July 21, 2023
概括
这项研究使用带有像素指数的卷积神经网络 (CNN) 增强了肺结节分类. 这种方法提高了诊断准确度,并允许调节灵敏度和特异性,以更好地检测肺结节.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 在CT扫描中精确分类肺结节对于患者的治疗结果至关重要.
- 卷积神经网络 (CNN) 在医疗图像分析中表现有前途.
- 为结节分类优化CNN性能仍然是一个活跃的研究领域.
研究的目的:
- 为了评估将CNN与像素指数加倍相结合的有效性,用于分类肺结节.
- 为了确定指数化方法是否与标准CNN相比改善了诊断性能.
- 评估不同指数值对准确度,灵敏度和特异性的影响.
主要方法:
- 使用肺部图像数据库联盟-IDRI (LIDC-IDRI) 数据集.
- 开发了四种CNN模型来区分恶性瘤水平.
- 应用了一种指数化方法,其值范围从1.0到10.0.
- 分析了准确度,灵敏度,特异性和AUC-ROC,将指数化与标准CNN进行比较.
主要成果:
- 指数化方法证明了对恶性瘤的最大测试准确度和特异性的改善1与4.
- 在恶性瘤1对5的特定指数值中观察到更高的精度和灵敏度.
- 该方法允许通过指数选择来调整灵敏度和特异性.
结论:
- 像素指数化显著提高了CNN在CT图像上分类肺结节的性能.
- 指数化技术提供了一个可调的方法,以优化临床应用的灵敏度和特异性.
- 这种方法促进了针对肺结节查,诊断和治疗的定制CNN模型的开发.
