基于深度学习和埃博拉优化搜索算法的肺癌CT扫描的自动检测和分类
Tehnan I A Mohamed1,2, Olaide N Oyelade3, Absalom E Ezugwu4
1Department of Computer Science, Faculty of Mathematical and Computer Sciences, University of Gezira, Wad Madani, Sudan.
PloS one
|August 17, 2023
概括
这项研究引入了一种混合深度学习模型,将卷积神经网络 (CNN) 与埃博拉优化搜索算法 (EOSA) 结合起来,以从CT扫描中准确地分类肺癌. 新的EOSA-CNN方法显著改善了早期肺癌检测和生存率.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 计算生物学 计算生物学
背景情况:
- 非传染性疾病,特别是癌症,是全球日益严重的健康问题.
- 准确和早期的肺癌诊断对于改善患者生存率和治疗疗效至关重要.
- 现有的卷积神经网络 (CNN) 模型在从CT扫描中进行肺癌分类的最佳参数选择方面面临挑战.
研究的目的:
- 开发一种混合的元启发和CNN算法,使用CT图像精确地对肺癌进行分类.
- 为了解决传统的CNN在选择最佳权重和分类任务的偏差方面的局限性.
- 通过优化深度学习方法,提高肺癌检测的准确性和可靠性.
主要方法:
- 设计了一个CNN架构,并计算了其解决方案向量.
- 使用埃博拉优化搜索算法 (EOSA) 来优化CNN的权重和偏见.
- 混合EOSA-CNN模型在IQ-OTH/NCCD肺癌数据集上进行了训练和验证.
主要成果:
- 在肺癌数据集上,EOSA-CNN模型实现了0.9321的高分类准确度.
- 混合模型在GA-CNN,LCBO-CNN和经典CNN等其他方法相比表现出更好的表现.
- EOSA-CNN报告了正常,良性和恶性病例的特异性分别为0.7941,0.97951,0.9328和敏感性为0.9038,0.13333,0.9071.
结论:
- 拟议的混合EOSA-CNN算法为CT图像的肺癌分类提供了强大的和有效的解决方案.
- 这种方法显著提高了早期检测能力,可能导致更好的患者结果.
- 该研究强调了元启发式优化在增强医疗诊断深度学习模型方面的潜力.
