使用DICOM图像的ResNet-50-101和EfficientNet-B3进行增强肺癌预测的统一深度学习模型
Vinod Kumar1, Chander Prabha2, Preeti Sharma2
1Department of Computer Science and Engineering, Chandigarh University, Mohali, Punjab, India.
BMC medical imaging
|March 19, 2024
概括
这项研究使用像ResNet-50这样的深度学习模型从医学图像中预测肺癌,旨在早期检测和降低死亡率. 这些模型实现了高精度,显示了改善癌症诊断和患者治疗结果的前景.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 传统的癌症研究面临着巨大的数据和复杂的分析所带来的挑战.
- 机器学习为早期癌症检测和预防提供了潜力.
- 肺癌仍然是一个重要的全球健康问题,死亡率高.
研究的目的:
- 开发一种基于深度学习的系统,用于准确预测肺癌.
- 评估不同深度学习模型在分类肺癌图像中的表现.
- 通过增强的诊断工具,为减少肺癌死亡率做出贡献.
主要方法:
- 使用了三种深度学习模型:ResNet-50,EfficientNet-B3和ResNet-101. 这三种深度学习模型被使用.
- 员工转移学习技术,以提高模型性能.
- 在LIDC-IDRI存储库中的1000张肺癌DICOM图像数据集上训练模型.
- 实现了数据增强,以防止过度匹配和提高数据稳定性.
主要成果:
- 融合模型在分类状细胞方面实现了100%的精度.
- 融合模型和ResNet-50在肺癌预测方面表现出90%的准确性.
- EfficientNet-B3和ResNet-101的精度略低,但具有竞争力的精度.
- 这项研究强调了深度学习在分析复杂的医学图像数据方面的有效性.
结论:
- 深度学习模型在推进肺癌检测和诊断方面显示出重大前景.
- 开发的系统有助于改善健康结果,并可能降低肺癌死亡率.
- 对癌症数据分析深度学习的进一步研究对于未来的进展至关重要.
