一个改进的阿基米德斯优化辅助的多尺度深度学习细分与扩展组合CNN分类用于检测肺癌使用CT图像CT图像
Shalini Chowdary1, Shyamala Bharathi Purushotaman1
1ECE, Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences, Chennai, Tamil Nadu, India.
Network (Bristol, England)
|July 8, 2024
概括
一个新的自适应深度学习框架可以通过CT扫描来改善早期肺癌检测. 这种新的方法提高了诊断的准确性,以获得更好的患者治疗结果.
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:
- 早期发现肺癌对于生存至关重要.
- 目前用于CT扫描分析的深度学习方法缺乏足够的准确性.
- 需要改进的诊断工具来改善患者的治疗结果.
研究的目的:
- 开发和评估一种新的自适应深度学习框架,用于通过CT扫描精确检测肺癌.
- 为了提高肺结节细分和癌症分类的准确性.
- 加强早期诊断,以便及时有效地治疗患者.
主要方法:
- 一个三个阶段的框架:图像采集,肺结节细分和肺癌分类.
- 节点细分利用了通过基于修改转移运算符的阿基米德优化 (MTO-AO) 优化的自适应多尺度扩展的Trans-Unet3+ .
- 分类采用先进的扩展合并卷积神经网络 (ADECNN),通过MTO-AO进行超参数调整.
主要成果:
- 拟议的框架显示了肺癌检测准确度的显著改善.
- 与现有方法相比,优化的细分和分类模型显示了增强的性能.
- 该系统在识别癌症结节方面的效率通过全面的性能测量得到了验证.
结论:
- 开发的自适应深度学习框架为早期肺癌检测提供了高效的解决方案.
- 这种先进的诊断工具有可能显著提高患者的生存率.
- 这些发现支持对CT扫描用于肺癌诊断的AI驱动分析的临床实用性.
