轻量级高级深度神经网络 (DNN) 模型用于早期肺癌检测
Isha Bhatia1, Aarti1, Syed Immamul Ansarullah2
1Department of Computer Science and Engineering, Lovely Professional University, Phagwara 144411, Punjab, India.
Diagnostics (Basel, Switzerland)
|November 9, 2024
概括
这项研究引入了用于早期肺癌检测的先进深度神经网络算法,达到98.2%的准确性. 这种新的方法结合了弱监督的密集实例级肺细分 (WDSI) 和深度持续学习,以提高肺癌诊断的效率和减少虚假阳性.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 肺癌 (肺癌) 的死亡率很高,因此需要及早检测以降低风险.
- 目前的早期肺癌预测方法的准确性很低,噪音很大,假阳性率很高.
- 需要先进的算法来克服现有的肺癌检测技术的局限性.
研究的目的:
- 提出一种先进的算法,将两个深度神经网络结合起来,用于早期检测肺癌.
- 开发一种轻量级,低内存的深度神经网络 (DNN),用于高效的医疗图像处理.
- 为了提高准确性和减少虚假阳性在早期肺癌诊断.
主要方法:
- 使用弱监督的密集实例级肺细分 (WDSI) 进行像素级注释.
- 提出了基于深度持续学习的深度神经网络 (SS-CL),适用于标记和未标记的数据.
- 评估了用于图像处理的轻量级DNN设计,使用3DCT扫描的LUNA16数据集.
主要成果:
- 综合的WDSI和LSO细分实现了超灵敏,特定和准确的早期肺癌检测.
- 拟议的轻量级DNN模型表现出高精度 (98.2%) 和有效的消除噪音.
- 与最先进的模型相比,拟议的方法显示了效率的提高 (PSNR和SSIM分别为32.8%和0.97%).
结论:
- 开发的方法显示了在肺癌诊断中增强医学图像分析的巨大潜力.
- 该算法可以提高诊断测试的准确性,并可能挽救患者的生命.
- 由于DNN的轻量级性质,使其适合在临床环境中实际实施.
