无接触智能反干扰肺结节检测方法用于早期疾病检测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 精确的肺结节检测对于早期肺癌治疗至关重要.
• 计算机断层扫描 (CT) 扫描至关重要,但由于辐射干扰和患者运动,图像质量可能会受到损害.
• 现有的方法在杂或乱的CT图像中难以检测结节.

研究的目的:

• 开发一种基于人工智能 (AI) 的方法,在干扰条件下在CT图像中进行可靠的肺结节检测.
• 为了提高肺结节检测的准确性和稳定性,尽管图像噪音和文物.
• 通过改进结节识别来提高早期肺癌诊断.

主要方法:

• 提出了一种基于人工智能的抗干扰肺结节检测方法,Yolov8-AH,将Yolov8与自适应门的稀疏注意力 (AGSA) 和 haar wavelet 下采样 (HWD) 集成在一起.
• AGSA模块旨在通过专注于关键图像区域来稳定检测,减轻干扰的影响.
• 使用HWD模块通过优先考虑相关的频率组件和减少噪声而提高结节的可见性,而不会模糊结节的边缘.

主要成果:

• 在干扰条件下,Yolov8-AH模型在检测肺结节方面取得了显著的改进.
• 废弃研究和不同噪声水平的实验证实了该模型的有效性.
• 与现有模型相比,在 IoU 值 0.5 (mAP50) 的平均精度提高了 24%,精度提高了 8.2%.

结论:

• 约洛夫8-AH模型提供了一个卓越的解决方案,用于在受损的CT图像中准确检测肺结节.
• 集成的AGSA和HWD模块有效地解决干扰,增强诊断能力.
• 这种人工智能驱动的方法具有显著的潜力,可以改善早期肺癌诊断和患者的治疗结果.