一个增强的带蛇优化辅助的深度学习模型,用于使用CT图像进行肺癌细分和分类
Maloth Shekhar1, Seetharam Khetavath1
1Electronics and Communication Engineering, Chaitanya Deemed to be University, Warangal, India.
Journal of medical engineering & technology
|September 16, 2024
概括
这项研究引入了一种新的深度学习方法,用于从CT扫描中准确地分类肺癌. 该方法增强了早期瘤检测,改善了患者的治疗结果,并解决了医学成像中的资源限制.
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:
- 通过CT扫描早期检测肺瘤对于有效治疗至关重要.
- CT成像提供了比X射线更好的检测,但涉及辐射风险和高成本.
- 在资源有限的环境中,对先进的CT分析工具的有限访问需要创新的解决方案.
研究的目的:
- 设计一个启发式和深度学习辅助的系统,使用CT图像进行肺癌分类.
- 开发一种有效和准确的方法来识别肺癌,克服现有的技术和资源障碍.
主要方法:
- 使用Shuffling Atrous Convolutional (SAC) 基于ResUnet++ (SACRUnet++) 的图像细分.
- 使用自适应残留注意网络 (ARAN) 进行肺癌分类.
- 通过改进的带蛇优化算法 (IGSOA) 优化ARAN参数.
主要成果:
- 开发的SACRUnet++和ARAN模型在肺癌分类方面表现出高准确度.
- 性能评估显示,与传统的肺癌分类模型相比,效果更好.
- 启发式和深度学习的整合有效地解决了CT扫描分析的局限性.
结论:
- 拟议的深度学习框架为从CT图像中准确和可访问的肺癌分类提供了一个有希望的解决方案.
- 这种方法可以显著帮助早期肺瘤检测,潜在地改善患者的预后.
- 集成先进的人工智能技术解决了医疗成像分析成本和可用性的挑战.
