优化双层卷积神经网络,通过超参数优化和先进的图像预处理技术,实现高效的肺癌分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 肺癌是全球主要的健康问题,预后与早期检测有关.
• 目前的诊断方法在准确性,侵入性和可扩展性方面存在局限性.
• 需要先进的计算工具来改善肺癌诊断.

研究的目的:

• 开发和评估一种机器学习模型,用于使用CT图像进行增强的肺癌阶段分类.
• 通过更快,非侵入性的工具克服传统诊断方法的局限性.
• 提高肺癌诊断的准确性和可靠性.

主要方法:

• 使用IQ-OTHNCCD肺癌数据集进行训练.
• 应用的预处理技术:调整尺寸,规范化和高斯模糊.
• 采用卷积神经网络 (CNN) 并使用SMOTE解决阶级不平衡问题.

主要成果:

• 在肺癌分期测试中获得了99.64%的分类准确率.
• 证明了高精度,回忆和F1得分超过98%.
• 斯莫特有效地改善了代表性不足的阶级的分类.

结论:

• 机器学习,特别是CNN,显示了改变肺癌诊断的巨大潜力.
• 开发的模型为早期肺癌检测提供了一个高度准确和可靠的工具.
• 改进的诊断能力可以导致量身定制的治疗计划和更好的患者结果.