深火山残留U-Net用于从肺癌中识别结节转移 (Nmet)
M Ramkumar1, K Kalirajan2, U Pavan Kumar3
1Sri Krishna College of Engineering and Technology, Coimbatore, Tamil Nadu 641008 India.
Biomedical engineering letters
|February 20, 2024
概括
精确的早期肺癌检测至关重要. 一种新的深火山残留U-Net (DVR U-Net) 方法在识别淋巴结转移方面达到99.9%的准确性,大大改善了现有的方法.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
- 计算病理学计算病理学
背景情况:
- 淋巴结转移是肺癌预后和复发的关键指标.
- 早期发现肺癌可显著改善治疗结果.
- 目前的诊断方法在识别早期肺癌和转移时,在准确性和高错误率方面扎.
研究的目的:
- 开发一种精确的计算机辅助诊断方法,用于早期检测肺癌.
- 提出一种新的深度火山残留U-Net (DVR U-Net),用于精确识别节点转移.
- 克服现有方法在肺癌分期的局限性.
主要方法:
- 利用两个数据集输入肺癌图像.
- 使用基于模糊的对比度限制的自适应式直方图形平衡 (ADFFCLAHE) 的应用异型扩散波器用于图像预处理.
- 采用DVR U-Net模型进行细分,特征提取和节点转移分类 (N+与N-).
主要成果:
- DVR U-Net 模型在检测淋巴结转移方面实现了 99.9% 的准确率.
- 该方法有效地将肺癌病例分为结节转移 (N+) 和非结节转移 (N-).
- 统计分析 (Shapiro-Wilk,Friedman,Wilcoxon Signed-Rank测试) 证实了该方法的统计有效性.
结论:
- 拟议的DVR U-Net在准确检测早期肺癌转移方面表现出卓越的性能.
- 这种人工智能驱动的方法比现有的肺癌分期方法有了显著的进步.
- DVR U-Net有望改善肺癌诊断和治疗规划中的临床决策.
