自动化CAD系统用于早期检测和分类胰腺癌,使用深度学习模型

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:

• 从CT扫描中准确诊断胰腺癌对于早期检测和治疗至关重要,但手动解释是具有挑战性的.
• 瘤的形状,大小和位置的变化使放射科医生的分析复杂化.
• 需要自动化系统来提高诊断效率和准确性.

研究的目的:

• 开发和评估一个四阶段的计算机辅助诊断 (CADx) 框架,用于使用CT图像检测和分类胰腺癌.
• 与手动解释相比,提高诊断准确性和效率.
• 将瘤分为正常,良性,前恶性或恶性类别.

主要方法:

• 预处理:图像大小调整,灰度转换和异型扩散过.
• 细分:值,索贝尔过,流域细分,U-Net和瘤区域隔离的形态操作.
• 特征提取:用于纹理分析的灰级共发生矩阵 (GLCM).
• 检测:连接组件标记以定位瘤区域.
• 分类:用于分类瘤类型的11层减少的AlexNet模型.

主要成果:

• 瘤检测准确度达到了99.64%.
• 瘤分类的准确性达到了98.72%,AUC为0.9979.
• 该系统表现出高效的整体平均处理时间为1.51秒.

结论:

• 拟议的四阶段CADx框架有效有效地检测和分类CT图像中的胰腺瘤.
• 该系统显示了改善胰腺癌早期诊断和治疗计划的巨大潜力.
• 集成先进的图像处理和深度学习技术为具有挑战性的诊断任务提供了强大的解决方案.