使用YOLO模型和3D神经网络分类器从CT图像中识别肺结节的层次方法
Yashar Ahmadyar1, Alireza Kamali-Asl2, Hossein Arabi3
1Department of Medical Radiation Engineering, Shahid Beheshti University, Tehran, Iran.
Radiological physics and technology
|November 18, 2023
概括
这项研究开发了一个使用YOLOv5s和3D CNN用于CT扫描早期肺癌检测的等级系统,在识别肺结节时达到98.4%的准确性.
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
- 放射学和诊断成像 放射学和诊断成像
背景情况:
- 早期发现肺癌对于改善患者的治疗结果至关重要.
- 计算机断层扫描 (CT) 是肺癌查的标准.
- 自动结节检测系统可以帮助放射科医生解释复杂的CT数据.
研究的目的:
- 开发一个层次系统,用于CT图像中准确而敏感的肺结节检测.
- 在早期肺癌检测中尽量减少虚假阴性和虚假阳性.
- 创建一个强大的框架,以协助医疗专业人员在结节的识别.
主要方法:
- 采用了两阶段的层次方法,从初始结节检测的YOLOv5s模型开始.
- 在第一阶段使用低置信值 (0.3),以最大限度地提高灵敏度.
- 开发了一种新的3D卷积神经网络 (CNN) 分类器,以改进检测和分类结节.
主要成果:
- 尽管最初的错误检测,但YOLOv5s模型有效地识别了潜在的结节.
- 3D CNN 分类器显著提高了结节识别的精度.
- 综合系统在Luna 16数据集上实现了98.4%的结节检测准确度和98.9%的曲线下面积.
结论:
- 提出的等级系统显示出高准确性和早期肺癌检测的潜力.
- 这种由人工智能驱动的框架显示出作为放射科医生有价值的决策支持工具的希望.
- 进一步细化可以解决剩余的错误阳性和负值,以提高临床效用.
