提高肺癌诊断:通过CT成像进行优化驱动的深度学习方法

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 (LC) 是一个主要的全球健康问题,需要准确和及时的诊断.
• 计算机断层扫描 (CT) 对LC检测至关重要,但手动分析是劳动密集型的,容易出现错误.
• 现有的深度学习模型在高维CT数据中的特征提取和计算复杂性方面扎.

研究的目的:

• 开发一个优化的深度学习模型,用于从CT图像中增强肺癌分类.
• 提高特征提取效率,减少肺癌检测中的计算复杂性.
• 调查各种优化算法的对模型性能的影响.

主要方法:

• 开发了一个优化的CBAM-EfficientNet模型,整合了EfficientNet以减少复杂性和CBAM以强调功能.
• 灰狼优化 (GWO),鱼优化 (WO) 和蝙蝠算法 (BA) 用于超参数调整.
• 该模型在肺-PET-CT-Dx和LIDC-IDRI基准数据集上进行了评估.

主要成果:

• 基于GWO的CBAM-EfficientNet实现了高精度:肺-PET-CT-Dx的99.81%和LIDC-IDRI的99.25%.
• 基于BA的CBAM-EfficientNet表现出强的性能,在各自的数据集上准确率为99.44%和98.75%.
• 拟议的模型在肺癌分类方面显著优于现有的方法.

结论:

• 优化的CBAM-EfficientNet模型为自动肺癌诊断提供了高度准确和高效的解决方案.
• 优化算法的集成提高了预测准确性和模型稳定性.
• 轻量级的架构促进了实时的临床应用,帮助放射科医生进行诊断.