超参数优化和开发一种基于CNN的先进技术,用于肺结节评估.
Resham Raj Shivwanshi1, Neelamshobha Nirala1
1National Institute of Technology, Raipur 492010, India.
Physics in medicine and biology
|August 11, 2023
概括
这项研究引入了一种先进的计算机断层扫描 (CT) 图像分析方法,使用深度学习来早期检测肺癌. 自动化系统在识别肺结节方面实现了高准确性,减少了虚假阴性结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 早期发现肺癌对于改善患者的治疗结果至关重要.
- 计算机断层扫描 (CT) 扫描对于识别肺结节至关重要.
- 对CT图像的自动分析可以提高诊断的准确性和效率.
研究的目的:
- 建议使用CT图像进行自动化肺结节评估的先进方法.
- 通过加强结节的识别和分类,改善早期肺癌的检测.
- 开发一个强大的系统来分析多种胸部CT数据集.
主要方法:
- 使用了13层卷积神经网络 (CNN) 与3x3内核进行特征提取.
- 与EfficientNetV2 (TLEV2N) 集成的转移学习以提高培训绩效.
- 采用CNN架构进行准确的良性和恶性肺结节分类.
主要成果:
- 在肺结节检测中实现了97.56%的准确性和98.4%的特异性.
- 显著降低了肺癌诊断中的假阴性率.
- 证明了3x3内核在捕捉像素变化和形态特征方面的有效性.
结论:
- 拟议的非侵入性技术显示出使用低剂量CT扫描进行早期肺癌检测的巨大潜力.
- 该方法提供了更好的准确性,并可以提高整体早期肺癌检测性能.
- 进一步优化可以导致一个标准化的系统,用于各种胸部CT数据集评估.
