增强肺癌检测:集成改进的随机步行者细分与人工神经网络和随机森林分类器

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 由于图像的多模式性,医疗图像细分具有挑战性.
• 早期检测肺部问题,如结节,对于防止传播至关重要.

研究的目的:

• 通过机器学习提高肺结节分类的可靠性.
• 准确地识别和分类肺结节为良性或恶性.

主要方法:

• 使用异型扩散过来减少医疗图像中的噪音.
• 采用修改的随机步行方法来提取感兴趣的肺结节区域.
• 应用基于纹理的特征提取和随机森林/人工神经网络分类器用于结节分类.

主要成果:

• 一个随机的森林分类器在肺癌检测中实现了99.6%的准确性.
• 一个人工神经网络在肺癌检测中实现了94.8%的准确性.
• 该框架使用肺图像数据库联盟CT扫描数据的交叉验证来验证.

结论:

• 机器学习和图像处理为肺癌分类提供了重要的诊断潜力.
• 精确的肺结节的识别和分类对于患者的治疗结果至关重要.