多核驱动的3D卷积神经网络,用于在胸部CT扫描中自动检测肺结节
Ruoyu Wu1, Changyu Liang2, Jiuquan Zhang2
1Key Laboratory of Optoelectronic Technology and Systems of the Education Ministry of China, Chongqing University, Chongqing 400044, China.
Biomedical optics express
|February 26, 2024
概括
在CT扫描中精确检测肺结节对于早期肺癌诊断至关重要. 一个新的多核3D CNN (MK-3DCNN) 通过捕获多尺度特征和使用先进的聚合策略来改善结节检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 在胸部计算机断层扫描 (CT) 中精确检测肺结节对于早期肺癌查和改善患者存活率至关重要.
- 深度学习模型在强大的结节检测方面面临挑战,原因是结节异质性和复杂的成像环境.
研究的目的:
- 提出一种新的多核驱动的3D卷积神经网络 (MK-3DCNN),用于CT扫描中增强计算机化肺结节检测.
- 在CT图像分析中解决结节形态异质性和复杂周围环境的挑战.
主要方法:
- 开发了一个MK-3DCNN,结合了基于残留学习的编码器-解码器架构,以利用多层功能.
- 引入了一个多核联合学习块,以捕获3D多尺度空间信息,容纳不同的节点大小和形状.
- 实施了多模式混合聚合策略,集成最大,平均和中心作物聚合,用于全面的特征提取.
主要成果:
- 与最先进的算法相比,MK-3DCNN在公开的LUNA16数据集上展示了具有竞争力的结节检测性能.
- 临床CQUCH-LND数据集的实验结果表明MK-3DCNN在实际临床应用中的强大潜力.
结论:
- 拟议的MK-3DCNN通过利用多尺度特征提取和先进的聚合,有效地提高CT图像中的肺结节检测.
- 在肺癌查计划中,MK-3DCNN显示出临床实施的前景,有可能提高诊断准确度.
