EMI-LTI:使用Gabor波器和ROI进行肺瘤识别的增强综合模型
Jayapradha J1,2, Su-Cheng Haw2, Naveen Palanichamy2
1Department of Computing Technologies, School of Computing, SRM Institute of Science and Technology, Kattankulathur, Tamil Nadu, 603203, India.
MethodsX
|March 24, 2025
概括
这项研究提高了使用CT扫描的早期肺癌诊断. 肺瘤识别的增强综合模型 (EIM-LTI) 在识别癌症区域方面显示出比卷积神经网络 (CNN) 更好的准确性.
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:
- 肺癌的早期检测显著改善了患者的治疗结果.
- 精确分析CT扫描对于及时诊断至关重要.
- 开发强大的自动化系统可以帮助放射科医生检测肺癌.
研究的目的:
- 分析CT扫描图像用于早期肺癌诊断.
- 将卷积神经网络 (CNN) 的性能与肺瘤识别 (EIM-LTI) 提议的增强综合模型进行比较.
- 评估图像预处理技术和数据增强在肺癌检测中的有效性.
主要方法:
- 肺癌患者的CT扫描图像使用Gabor过器进行预处理,对感兴趣区域 (ROI) 标签进行轮,利和裁剪.
- 数据增强被应用到使用CNN和EIM-LTI架构的预处理图像.
- 模型性能通过精度,灵敏度,F1得分,特异性,训练/验证精度和验证损失来评估.
主要成果:
- 与CNN模型相比,EIM-LTI模型显示了更高的训练精度 (2.67%) 和验证精度 (2.7%).
- EIM-LTI模型的验证损失略高 (0.0333) 比CNN.
- 交叉验证 (5倍) 达到98.27%的准确性,在未见数据上达到92%的准确性.
结论:
- EIM-LTI模型为通过CT扫描增强早期肺癌检测提供了一个有希望的方法.
- 图像预处理和数据增强对于改善医学诊断中深度学习模型的性能至关重要.
- 拟议的EIM-LTI模型在肺癌识别的准确性和灵敏性方面表现出卓越的性能.
