使用深度学习实现实时肺结节实例细分的方法
Antonella Santone1, Francesco Mercaldo1, Luca Brunese1
1Department of Medicine and Health Sciences "Vincenzo Tiberio", University of Molise, 86100 Campobasso, Italy.
Life (Basel, Switzerland)
|September 28, 2024
概括
本研究介绍了一种深度学习方法,用于使用You-Only-Look-Once的肺部质量检测和细分. 这种方法有助于放射科医生在早期肺癌查和识别小,潜在的癌症结节.
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:
- 肺癌查对于早期检测至关重要,在高危人群中将死亡率降低20-30%.
- 深度学习,特别是计算机视觉,在图像中的对象检测方面表现出色.
- 肺部质量的准确细分对于诊断和治疗规划至关重要.
研究的目的:
- 开发和评估用于肺质量实例细分和分类的深度学习方法.
- 通过自动化分析,提高肺癌查的准确性和效率.
- 将检测到的肺部质量分类为结节,癌症或腺癌.
主要方法:
- 使用你只看一次 (YOLO) 模型进行肺结节细分.
- 应用实例细分来生成个别肺部质量的面具.
- 在现实肺部计算机断层扫描 (CT) 图像数据集上训练并测试了该方法.
主要成果:
- 在质量分类中达到0.757的平均精度和0.738的回忆.
- 获得了0.75的平均面具精度和0.733的面具回忆.
- 在检测,分类和细分肺部质量,包括小质量的证明有效性.
结论:
- 拟议的深度学习方法有效地执行实例细分和肺群体的分类.
- 这项技术可以帮助放射科医生进行自动肺部查和检测微妙质量的检测.
- 这种方法显示出提高早期肺癌诊断和管理的前景.
