一种合成语义特征的肺结节分类方法,基于3D卷积神经网络
Yanan Dong1, Xiaoqin Li1, Yang Yang1
1Faculty of Environment and Life, Beijing University of Technology, Beijing 100124, China.
Bioengineering (Basel, Switzerland)
|November 25, 2023
概括
这项研究引入了一种可解释的深度学习模型,用于早期检测肺癌. 这种新的方法可以准确地分类肺结节,帮助放射科医生进行诊断.
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:
- 早期发现肺癌显著影响患者的生存和康复.
- 计算机辅助诊断 (CAD) 系统为早期肺癌诊断提供决策支持.
- 目前用于CAD的深度学习模型缺乏可解释性,阻碍了临床信任.
研究的目的:
- 开发一个可解释的深度学习模型来分类恶性肺结节.
- 提高计算机辅助诊断系统在肺癌检测中的诊断能力.
- 提供可解释的预测,以协助放射科医生在临床决策中.
主要方法:
- 提出了一个语义特征结合卷积神经网络 (SCCNN) 模型.
- 使用了通过空间采样提取的3D多视图肺结节样本.
- 从放射学报告中纳入语义特征作为辅助任务和特征融合的注意模块.
主要成果:
- 在LIDC-IDRI数据集上实现了95.45%的准确性和97.26%的ROC曲线面积.
- 与标准的3D CNN方法相比,SCCNN模型表现出卓越的性能.
- 该模型为其预测提供了直观的解释,提高了可解释性.
结论:
- 拟议的SCCNN模型有效地以高准确度对良性和恶性肺结节进行分类.
- 该模型的可解释性有助于理解其预测过程,支持临床诊断.
- 这种方法推进了深度学习在医学成像中用于肺癌诊断的应用.
