先进的基于注意力的混合深度学习网络,具有适应性CT和PET图像融合的启发性算法,用于肺癌检测
P Shyamala Bharathi1, C Shalini1
1Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences, Chennai, India.
Medical engineering & physics
|April 15, 2024
概括
这项研究引入了一种先进的深度学习模型,用于早期检测肺癌. 通过合并PET和CT扫描,该模型可以提高诊断准确度,帮助及时治疗患者.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 瘤学 在瘤学方面.
背景情况:
- 肺癌仍然是全球主要的死亡原因.
- 准确和早期发现肺癌对于有效治疗和改善患者的治疗结果至关重要.
- 对肺癌的计算机断层扫描 (CT) 扫描的解释对临床医生来说可能是一个挑战.
研究的目的:
- 开发和评估一个有效的基于图像融合的深度学习模型,用于早期肺癌检测.
- 通过整合正子发射断层扫描 (PET) 和CT成像数据,提高肺癌诊断的准确性.
- 在医学图像分析的深度学习框架内探索改进的启发式算法的实用性.
主要方法:
- 提出了一种新的检测模型,利用合的PET和CT图像.
- 适应扩展卷积神经网络 (AD-CNN) 用于图像融合,其超参数由基于修改初始速度的卡布奇搜索算法 (MIV-CapSA) 优化.
- 使用TransUnet3+进行图像细分,并使用基于混合注意力的深度网络 (HADN) 模型进行最终分析,其中包括Mobilenet和Shufflenet.
主要成果:
- 拟议的基于图像融合的深度学习模型在肺癌检测方面表现出有效性.
- 该模型在聚合PET-CT图像中实现了异常区域的准确细分.
- 对比分析表明,新型模型在早期检测中优于传统方法.
结论:
- 开发的模型通过有效的图像融合和深度学习技术促进了早期肺癌检测.
- 这种方法有助于临床医生识别肺癌,可能导致更有效和及时的患者治疗.
- 像AD-CNN,MIV-CapSA,TransUnet3+和HADN这样的先进算法的集成显示出改善瘤学诊断能力的希望.
