使用CNN细分和最佳特征选择来识别和分类肺部焦点不透明度
Muhammad Ashar Javed1, Hannan Bin Liaqat2, Talha Meraj3
1Department of Information Technology, University of Gujrat, Gujrat, Pakistan.
Computational intelligence and neuroscience
|August 4, 2023
概括
早期发现肺癌对于生存至关重要. 这项研究引入了一个使用语义细分和最佳特征的预测模型,在识别肺结节时达到97.8%的准确性.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 肺癌的死亡率很高,在早期发现后,存活率显著提高.
- 由于与周围组织的视觉相似性,精确识别肺结节是具有挑战性的,导致错误分类.
- 以前的研究经常使用杂的特征,损害了诊断准确性.
研究的目的:
- 开发一个准确的预测模型来检测和分类肺结节.
- 通过先进的图像分析技术,改善早期肺癌诊断.
- 通过利用最佳特征和强大的分类来解决以前方法的局限性.
主要方法:
- 使用语义细分来精确识别肺部结节在肺部图像数据库联盟 (LIDC) 数据集.
- 提取了最佳特征,包括组图面向梯度 (HOG),局部二进制模式 (LBP) 和细分后的几何特征.
- 使用支持矢量机器 (SVM) 作为结节识别的主要分类器.
主要成果:
- 拟议的模型在检测和分类肺结节时达到97.8%的高精度.
- 在结节识别中表现出100%的优异灵敏度和93%的特异性.
- 报告了6.7%的低虚假阳性率,表明了强的表现.
结论:
- 开发的预测模型显著提高了肺结节检测和分类的准确性.
- 支持向量机在结节识别方面被证明是有效的,其性能优于其他分类器.
- 这种方法有望改善早期肺癌诊断和患者的治疗结果.
