深网模型授权子搜索算法,用于有效识别肺癌结节
1Department of Electronics and Communication, Karpagam Academy of Higher Education, Coimbatore, India.
Frontiers in medical technology
|September 27, 2023
概括
一个新的DeepNet模型在CT扫描中准确地细分肺结节,改善了癌症诊断. 这种自动化系统有助于病理学家识别结节,以便及时治疗和提高患者存活率.
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:
- 肺癌是全球领先的健康问题.
- 从CT扫描中精确细分肺结节对于诊断和治疗规划至关重要.
- 现有的方法可能缺乏节点细分的效率和可靠性.
研究的目的:
- 开发和评估一种全新的全卷积深度神经网络 (DeepNet),用于自动从CT图像中细分肺结节.
- 提高肺结节检测的准确性和效率,以改善癌症诊断.
主要方法:
- 开发了一个新的DeepNet模型,采用编码器-解码器架构.
- 编码器使用VGG-19基,解码器包含上采样和解卷模块.
- 用于结节分类的特征选择是使用Thresholding和子搜索算法进行的.
主要成果:
- 与其他细分模型相比,DeepNet模型在TCIA数据集上表现优越.
- 实现了0.962±0.023%的体积误差,0.968±0.011的子相似系数和0.856±0.011的雅卡德相似指数.
- 显示平均处理时间为0.045±0.005s.
结论:
- 开发的DeepNet模型为CT扫描中肺结节细分提供了可靠和高效的解决方案.
- 这种自动化的方法可以显著帮助病理学家在早期肺癌的检测和治疗.
- 该模型的性能表明其在改善患者结果的临床应用方面的潜力.
