混合变压器-CNN和LSTM模型用于肺病细分和分类
Syed Mohammed Shafi1, Sathiya Kumar Chinnappan1
1Vellore Institute of Technology, Vellore, Tamil Nadu, India.
PeerJ. Computer science
|February 3, 2025
概括
一个新的混合LinkNet-Modified LSTM (L-MLSTM) 模型准确地从CT扫描中细分和分类肺部疾病. 这种先进的深度学习方法提高了诊断准确度,有助于早期发现和治疗肺部疾病.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 肺部疾病的诊断 肺部疾病的诊断
背景情况:
- 肺部疾病是全球死亡的主要原因,需要改进诊断方法.
- 从医学图像中精确细分和分类肺部疾病是具有挑战性的,因为病理的变异性.
- 早期和精确的诊断对于有效的肺病管理至关重要.
研究的目的:
- 为肺病细分和分类提出一种新的混合LinkNet-Modified LSTM (L-MLSTM) 模型.
- 通过深度学习技术提高肺病诊断的准确性和效率.
- 解决医疗图像分析中各种肺病理所带来的挑战.
主要方法:
- 使用中间波器进行图像预处理.
- 使用改进的基于变压器的CNN (ITCNN) 对受影响的肺部区域进行细分.
- 特性提取包括纹理,形状,颜色和深度特征.
- 在两个CT扫描数据集上使用混合L-MLSTM模型进行分类.
主要成果:
- 在两个不同的数据集上,L-MLSTM模型实现了89%和95%的高精度.
- 与HDE-NN,DBN,LSTM和CNN等现有型号相比,表现出优异的性能.
- 混合方法有效地处理肺部图像的复杂性和变异性,减少诊断错误.
结论:
- 拟议的L-MLSTM模型为肺病细分和分类提供了强大而准确的解决方案.
- 这种深度学习框架有可能显著改善肺部疾病的早期诊断和治疗.
- 混合型号的性能突显了其在区分医疗图像中的各种肺部疾病的能力.
