在胸部CT扫描中通过3DU-NET模型组合改善肺结节细分
Himanshu Rikhari1, Esha Baidya Kayal1, Shuvadeep Ganguly2
1Centre for Biomedical Engineering, Indian Institute of Technology Delhi, Hauz Khas, New Delhi, 110016, India.
概括
一组3D U-Net模型与Inception和ResNet模块组合有效检测肺结节. 这种深度学习方法提高了准确性,减少了假阳性,帮助临床环境中的计算机辅助诊断系统.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 肺结节需要精确检测,以准确诊断和治疗计划.
- 深度学习细分技术为自动化肺结节分析提供了潜力.
- 现有的方法可能会面临错误阳性和准确划分的挑战.
研究的目的:
- 探索3D U-Net架构,使用Inception和ResNet模块进行精确的肺结节检测.
- 为计算机辅助诊断 (CAD) 系统开发基于深度学习的细分技术.
- 提高肺结节诊断和预后的准确性和效率.
主要方法:
- 在回顾性数据集上训练了四个3D U-Net模型,利用数据增强.
- 采用了预处理步骤,包括CT扫描 voxel 重新采样和强度正常化.
- 通过混合子和焦点损失功能优化模型,并使用子和Jaccard系数评估性能.
- 研究了一种组合方法,将多个3D U-Net架构 (Model-V) 结合起来.
主要成果:
- 整体模型实现了0.84 ± 0.05的最高平均子系数 (DSCavg) 和0.74 ± 0.06的雅卡尔系数 (IoUavg).
- 与单个模型相比,整体方法显著减轻了假阳性,高估和低估.
- 总体模型中的每次扫描平均虚假阳性减少到1.57,而单个模型中的平均虚假阳性减少到2.69-3.39.
结论:
- 拟议的整体方法为自动肺结节检测和划分提供了一个强大的策略.
- 这种方法可以在临床实践中显著帮助计算机辅助诊断 (CAD) 系统.
- 这种方法有可能帮助放射科医生,改善肺癌诊断和治疗规划.
