对CT图像上的深度学习方法进行比较分析,用于肺癌规范
Muruvvet Kalkan1, Mehmet S Guzel1, Fatih Ekinci2
1Department of Computer Engineering, Ankara University, 06830 Ankara, Turkey.
Cancers
|October 16, 2024
概括
深度学习模型从CT扫描中准确地检测和细分肺癌. InceptionResNetV2和UNet显示了早期肺癌诊断和治疗计划的巨大潜力.
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:
- 肺癌是全球癌症死亡的主要原因之一.
- 早期检测和精确的瘤定位对于患者的生存至关重要.
- 计算机断层扫描 (CT) 扫描对于肺癌诊断至关重要.
研究的目的:
- 应用深度学习技术用于早期肺癌检测,使用CT图像.
- 准确细分已识别的肺瘤,以便更好地规划治疗.
主要方法:
- 使用预训练的卷积神经网络 (CNN) 进行肺癌检测,包括MobileNetV2,ResNet152V2,InceptionResNetV2,Xception,VGG-19和InceptionV3.3等.
- 采用了UNet,SegNet和InceptionUNet等细分模型来划分瘤区域.
- 通过检测准确度和Jaccard指数进行细分来评估模型性能.
主要成果:
- InceptionResNetV2实现了98.5%的高检测精度.
- UNet在瘤细分方面表现出卓越的表现,产生了95.3%的雅卡德指数.
- 这项研究强调了特定深度学习架构在肺癌分析中的有效性.
结论:
- 深度学习模型,特别是InceptionResNetV2和UNet,显示出增强早期肺癌诊断的巨大潜力.
- 这些模型可以有效地检测和细分肺癌,帮助临床医生做出治疗决策.
- 进一步的研究可以完善这些人工智能工具,并探索它们在医学诊断中的更广泛应用.
