从计算机断层扫描图像的肺瘤图像细分使用MobileNetV2和转移学习
Zainab Riaz1, Bangul Khan1,2, Saad Abdullah3
1Hong Kong Center for Cerebro-Cardiovascular Health Engineering (COCHE), Hong Kong SAR, China.
Bioengineering (Basel, Switzerland)
|August 26, 2023
概括
这项研究引入了一种结合MobileNetV2和UNET的新型混合神经网络,用于CT扫描中精确的肺癌细分. 开发的模型实现了高精度和回忆,优于现有的自动肺瘤检测方法.
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
- 深度学习用于医学诊断
背景情况:
- 肺癌仍然是全球癌症死亡的主要原因.
- 早期检测至关重要,但症状往往出现在晚期.
- 在CT图像中精确细分癌症病变对于自动诊断至关重要.
研究的目的:
- 开发一种改进的混合神经网络,用于CT图像中恶性肺瘤的语义细分.
- 提高自动肺癌检测系统的准确性和效率.
主要方法:
- 开发了一个混合神经网络,融合了MobileNetV2和UNET架构.
- 使用预训练的MobileNetV2作为特征提取编码器转移学习.
- 实施轻量级过,点向卷积,并通过Relu激活跳过连接,以改善收和特征地图连接.
主要成果:
- 拟议的网络在验证数据集上获得了0.8793的Dice分,0.8602的回忆,0.93的精度.
- 与现有的细分网络相比,混合型号表现出优越的性能.
- 这种方法有效地减少了计算,同时增强了功能构建.
结论:
- 开发的混合神经网络为CT图像中的肺瘤细分提供了高效和准确的解决方案.
- 这一进步有助于开发肺癌的全自动诊断系统.
- 该模型的性能表明其在早期肺癌检测中具有临床应用潜力.
