深度神经网络CT图像的肺结节细分方法:文献综述和实验性比较
Lijia Zhi1, Wujun Jiang2, Shaomin Zhang1
1School of Computer Science and Engineering, North Minzu University, Yinchuan, 750021, China; Medical Imaging Center, Ningxia Hui Autonomous Region People's Hospital, Yinchuan, 750000, China; The Key Laboratory of Images & Graphics Intelligent Processing of State Ethnic Affairs Commission, Yinchuan, 750021, China.
Computers in biology and medicine
|August 18, 2023
概括
深度学习模型在CT扫描中增强了肺结节细分. 2D模型通常优于3D模型,结节的特征如尺寸和纹理显著影响准确性.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 放射学和诊断成像学 放射学和诊断成像学
背景情况:
- 在CT图像中精确的肺结节细分对于诊断和患者的治疗结果至关重要.
- 基于深度学习的方法越来越多地取代了医疗图像细分的传统技术.
研究的目的:
- 审查最近用于肺结节细分的深度学习算法.
- 在基准数据集上比较开源2D和3D模型的性能.
- 评估放射科医生标记的视觉特征对细分精度的影响.
主要方法:
- 基于深度学习的肺结节细分算法的审查.
- 应用和比较开源的2D和3D细分模型.
- 对肺图像数据库联盟和图像数据库资源计划 (LIDC) 和肺结节分析16 (Luna16) 数据集的评估.
- 分析放射科医生定义的视觉诊断特征.
主要成果:
- 2D细分模型通常显示出更好的性能 (子相似系数) 比肺结节细分的3D模型.
- "微妙性"",球性"",边缘"",纹理"和"尺寸"是影响细分的关键特征.
- 更高的CT图像质量与更好的细分精度相关.
- 有效的上下文信息获取和注意力机制增强了细分.
结论:
- 深度学习,特别是二维模型,为精确的肺结节细分提供了有希望的方法.
- 特定的结节特征和图像质量是成功细分的关键因素.
- 对上下文信息和注意力机制的进一步研究可以优化细分性能.
更多相关视频
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.5K
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
14.2K