通过优化,深度学习和物联网数据传输,通过CT扫描检测肺癌的综合方法
Shaik Karimullah1, Mudassir Khan2, Fahimuddin Shaik1
1Department of Electronics and Communications Engineering, Annamacharya Institute of Technology and Sciences (Autonomous), Rajampet, Andhra Pradesh, India.
Frontiers in oncology
|October 22, 2024
概括
这项研究介绍了一种使用图像处理和深度学习的先进肺癌检测工具. 新的CBO+DenseNet CNN模型显著提高了早期肺癌识别的诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 肺癌是一个日益严重的全球健康问题,早期检测对于改善结果至关重要.
- 目前的查方法在患者选择和风险分层方面面临挑战.
- 需要先进的诊断工具来提高早期肺癌检测的准确性.
研究的目的:
- 通过先进的图像处理和深度学习,开发和验证一种用于早期肺癌检测的新型诊断方法.
- 为了提高肺结节细分和分类的准确性.
- 提高肺癌诊断系统的整体性能.
主要方法:
- 在计算机断层扫描 (CT) 图像中使用历史图平衡来去除文物.
- 实现了以碰撞物体优化 (CBO) 优化的Otsu值,用于精确的肺CT图像细分.
- 采用局部二进制模式 (LBP) 进行特征提取,包括节点大小和位置.
- 应用DenseNet深度学习算法来对良性和恶性瘤进行分类.
主要成果:
- 拟议的CBO+DenseNet CNN模型实现了高性能指标:98.17%的准确性,97.32%的特异性,97.46%的精度,97.89%的回忆.
- 与传统的诊断方法相比,表现出显著的性能改善.
- 该模型有效地区分了良性和恶性肺瘤.
结论:
- 开发的CBO+DenseNet CNN模型显示出作为肺癌先进诊断工具的巨大潜力.
- 结合优化和深度学习的方法提高了细分和分类的准确性.
- 这种新的方法在瘤分类和定位方面提供了更高的准确性,用于早期检测肺癌.


