一个优化的卷积神经网络架构用于肺癌检测
Sameena Pathan1, Tanweer Ali2, Sudheesh P G2
1Department of Information and Communication Technology, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal 576104, India.
APL bioengineering
|June 13, 2024
概括
这项研究引入了使用优化深度学习模型进行肺癌查的自动化工具. 该系统在肺部CT扫描的分类中达到99%的准确性,提供了一种不那么侵入性的诊断替代方案.
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:
- 肺癌的诊断严重依赖于侵入性活检,这是昂贵和创伤性的.
- 当前的诊断方法面临着有限的数据集和诊断不准确性的挑战.
- 需要用于早期肺癌检测的自动化,非侵入性工具.
研究的目的:
- 开发一个自动化诊断系统用于肺癌查,使用计算机断层扫描 (CT) 扫描.
- 增强对各种肺病理CT片的卷积神经网络 (CNN) 模型的概括性.
- 优化CNN超参数以提高诊断准确性和可靠性.
主要方法:
- 为肺部CT扫描开发了一种新的预处理方法,以防止在图像平滑过程中丢失信息.
- 在CNN模型中集成了一个正弦和正弦算法 (SCA),以优化调参数.
- 该SCA算法最大限度地减少了错误率,作为超参数选择的目标函数.
主要成果:
- 拟议的自动化系统在肺部扫描中实现了平均99%的分类准确性.
- 该模型成功地将扫描分为正常,良性和恶性类别.
- 该系统在未见的数据集上展示了强大的概括能力,验证了其有效性.
结论:
- 开发的自动诊断工具显示了肺癌查的高准确性和有效性.
- 优化的CNN模型与SCA集成提供了一个有希望的,不那么侵入性的替代传统活检.
- 该系统的性能表明它对临床环境中的放射科医生具有潜在的实用性.
