基于融合驱动的半监督学习的肺结节分类与双歧视和双生成器生成对抗网络
Ahmed Saihood1, Wijdan Rashid Abdulhussien1, Laith Alzubaid2,3,4
1College of Computer Science and Mathematics, University of Thi-Qar, Thi Qar, Iraq.
BMC medical informatics and decision making
|December 24, 2024
概括
一个新的双生成器,双歧视器生成对抗网络 (DDDG-GAN) 通过防止模式崩和增强通用性来改善半监督的肺结节分类. 这种方法在各种数据集上显示出卓越的性能,有助于准确诊断肺癌.
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:
- 精确的肺结节检测和分类对于肺癌的诊断和治疗至关重要.
- 现有的模型扎于模式崩和糟糕的概括性,限制了它们的有效性.
- 半监督学习为改善肺结节分类提供了一个有希望的途径.
研究的目的:
- 提出一种新的生成对抗网络 (GAN) 架构,DDDG-GAN,用于半监督的肺结节分类.
- 为了解决模式崩,并在肺结节分类任务中增强模型通用性.
- 评估DDDG-GAN在基准数据集上的表现,并与现有方法进行比较.
主要方法:
- 开发了一个DDDG-GAN模型,具有双生成器 (良性/恶性) 和双歧视器.
- 采用特征融合技术来提高节点类之间的歧视力.
- 在两个场景中对模型进行了评估:内部数据集 (LIDC-IDRI) 和交叉数据集 (LIDC-IDRI 到 LUNA16/LUNGx).
主要成果:
- 在LIDC-IDRI上,DDDG-GAN实现了高性能 (例如,准确率为92.56%).
- 在未见的LUNA16 (72.6%准确率) 和LUNGx (71.23%准确率) 数据集上展示了强大的交叉数据集性能.
- 在两种评估场景中,表现优于最先进的半监督学习方法.
结论:
- DDDG-GAN有效地减轻了模式崩,并提高了肺结节分类中的概括性.
- 该模型显示了在临床环境中改善诊断准确性的巨大潜力.
- 在医学图像分析中,DDDG-GAN为半监督学习提供了强大的解决方案.
