DBPNDNet:使用3DCNN进行肺结节检测的双分支网络
Muwei Jian1,2, Haodong Jin3,4, Linsong Zhang3
1School of Computer Science and Technology, Shandong University of Finance and Economics, Jinan, China. jianmuweihk@163.com.
Medical & biological engineering & computing
|November 9, 2023
概括
本研究介绍了DBPNDNet,这是一种用于自动肺结节检测和细分的新型双分支3D卷积神经网络. 人工智能框架显著提高了从CT扫描中识别肺结节的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 由于与解剖结构和噪音的视觉相似性,肺结节的检测具有挑战性.
- 精确检测和细分肺结节对于早期肺癌诊断至关重要.
研究的目的:
- 开发一个高效的深度学习模型,用于自动肺结节检测和细分.
- 提高肺结节的计算机辅助诊断系统的准确性和效率.
主要方法:
- 提出DBPNDNet,一个双分支的3D卷积神经网络架构.
- 一个分支用于结节候选区域提取,另一个用于语义细分.
- 整合了一个3D注意力加权的功能融合模块,以增强使用细分功能的检测.
主要成果:
- 获得了91.33%的灵敏度,平均每次CT扫描1个FP.
- 达到97.14%的灵敏度,每次扫描有8个FP.
- 与现有的主流方法相比,表现出优越的性能.
结论:
- DBPNDNet有效地自动化了肺结节的检测和细分.
- 双分支架构与基于注意力的融合增强了诊断准确度.
- 该框架显示了在肺癌查中临床应用的巨大潜力.
