可解释的肺癌分类与VGG16,Resnet50和InceptionV3的整体转移学习使用grad-cam
Yogesh Kumaran S1, J Jospin Jeya2, Mahesh T R3
1Department of Computer Science & Engineering, Faculty of Engineering and Technology, JAIN (Deemed-to-be University), Bengaluru, 562112, India.
BMC medical imaging
|July 19, 2024
概括
这项研究整合了深度学习模型 (VGG16,ResNet50,InceptionV3) 以进行增强的医学成像分析. 这种新的方法显著提高了肺癌检测准确度,提供了更可靠的诊断工具.
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:
- 传统的医学成像解释在主观性和处理复杂特征方面面临局限.
- 传统的机器学习方法在疾病诊断中与复杂的图像模式作斗争.
研究的目的:
- 开发一个集成的深度学习框架,以提高医学成像诊断的准确性.
- 通过使用预训练深度学习模型的组合来提高肺癌检测.
主要方法:
- 在统一的深度学习方法中利用了预先训练的VGG16,ResNet50和InceptionV3模型.
- 应用图像预处理,包括大小调整和格式转换,以保持一致性.
- 采用SMOTE和高斯模糊等技术来解决类不平衡和微调模型层.
主要成果:
- 在IQ-OTH/NCCD数据集上,在肺癌检测方面获得了98.18%的高准确性.
- 在所有车级都表现出了显著的精度和召回率,表明了强大的性能.
- 与传统方法相比,综合模型显示出优越的特征提取和强度.
结论:
- 集成的深度学习系统为医学诊断提供了更准确,更可靠的方法.
- 拟议的框架显示了在临床环境中提高疾病检测效率的巨大潜力.
- 这项研究强调了结合多个深度学习架构来完成复杂的医学成像任务的价值.
