使用优化的CNN功能和Squeeze-Inception-ResNeXt模型进行肺癌检测和分类
1Department of Computer Science and Engineering, Kalasalingam Academy of Research and Education, Krishnankoil, Srivilliputhur, Tamil Nadu, India.
Computational biology and chemistry
|March 30, 2025
概括
一个新的深度学习模型,Squeeze-Inception-ResNeXt,准确地从CT扫描中分类肺部疾病. 这种先进的系统可以改善早期肺癌检测,帮助放射科医生,并可能降低死亡率.
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:
- 肺癌是全球主要的死亡原因,需要改进早期检测和诊断方法.
- 计算机辅助诊断 (CAD) 系统帮助放射科医生识别肺结节和恶性瘤,减轻人为错误.
- 对肺癌亚型的准确分类对于有效的治疗策略和患者的治疗结果至关重要.
研究的目的:
- 开发和评估一种深度学习方法,用于使用胸部计算机断层扫描 (CT) 图像对肺部疾病进行分类.
- 通过先进的图像处理和分类技术,提高肺病诊断的准确性和效率.
- 引入一种新的深度学习架构,Squeeze-Inception-ResNeXt,用于改进肺癌亚型分类.
主要方法:
- 图像预处理技术包括颜色空间转换,数据增强,大小调整和正常化被应用到CT扫描中.
- 特征提取是使用由Slime Mould Algorithm (SMA) 优化的卷积神经网络 (CNN) 进行的.
- 一个混合分类模型,Squeeze-Inception-ResNeXt,结合Squeeze-Inception V3和ResNeXt,使用SMA开发和训练.
主要成果:
- 压缩-开始-ResNeXt模型在分类肺部疾病方面取得了很高的表现,包括腺癌,大细胞癌和状细胞癌.
- 与传统模型相比,该模型的准确性 (97.7%),灵敏性 (98.1%) 和特异性 (97.4%) 均高于传统模型.
- 这种Squeeze-Inception-ResNeXt模型可以降低计算成本,同时保持高诊断性能.
结论:
- 开发的深度学习方法,Squeeze-Inception-ResNeXt,显示出从CT扫描中准确有效地分类肺部疾病的重大前景.
- 这种方法有可能帮助放射科医生在早期发现和诊断肺癌,有助于改善患者管理.
- 将SMA集成到优化中进一步提高了该模型在临床应用中的有效性.