基于深度神经网络的肺结节的语义特征分类

科学领域:

• 医学成像分析分析 医学成像分析
• 放射学中的人工智能
• 计算病理学计算病理学

背景情况:

• 肺结节恶性瘤评估依赖于准确的语义特征 (SC) 分级.
• 肺结节的复杂性使得手动的SC评估对放射科医生来说具有挑战性.

研究的目的:

• 开发和评估用于分级肺结节语义特征的自动化模型.
• 提高肺结节恶性瘤概率评估的准确性和效率.

主要方法:

• 肺结节语义特征 (SC) 的分析和使用皮尔森相关性提取恶性瘤相关特征.
• 开发了三种自动化SC分级模型:两个基于深度信念网络 (DBNs),一个使用多分支卷积神经网络 (MBCNN).
• DBN模型使用了灰度/二进制节点图像和提取的特征;MBCNN采用了多分支架构.

主要成果:

• 提出的算法在语义特征分级方面表现出令人满意的表现.
• 多分支卷积神经网络 (MBCNN) 在SC分级方面实现了最高的平均准确率89.37%.
• 定量和自动分级显示出临床应用的前景.

结论:

• 肺结节语义特征的自动分级可以有效地帮助放射科医生.
• 开发的模型,特别是MBCNN,增强了对恶性瘤可能性的评估.
• 这项技术可以促进早期诊断和治疗恶性肺结节.