基于深度学习的CT图像的肺癌分类
Mohammad Khalid Faizi1, Yan Qiang2,3, Yangyang Wei4
1College of Computer Science and Technology (College of Data Science), Taiyuan University of Technology, Taiyuan, 030024, Shanxi, China. khalidfaizi840@gmail.com.
BMC cancer
|July 2, 2025
概括
一个新的深度学习模型,DCSwinB,准确地从CT扫描中分类肺结节. 这种先进的工具提高了诊断的准确性,帮助放射科医生在早期肺癌检测和更好的患者结果.
科学领域:
- 医学成像医学成像
- 人工智能在瘤学中的应用
- 计算机辅助诊断是一种计算机辅助的诊断.
背景情况:
- 肺癌是全球主要的健康问题,早期诊断对生存至关重要.
- 目前用于肺结节分类的放射学方法在准确性和高错误阳性率方面面临挑战.
- 需要先进的诊断工具来改善CT图像中的良性和恶性肺结节的分类.
研究的目的:
- 引入DCSwinB,这是一种用于CT图像中增强肺结节分类的新型深度学习模型.
- 提高区分良性和恶性肺结节的准确性和效率.
- 利用先进的深度学习架构来提高功能提取和诊断性能.
主要方法:
- 开发了DCSwinB,这是一个基于Swin-Tiny Vision Transformer (ViT) 的双分支分类器.
- 集成的CNN用于本地特征提取和Swin变压器用于全球特征提取.
- 使用Conv-MLP模块在3DCT图像中捕获远程依赖关系.
- 在LUNA16和LUNA16-K数据集上预训练模型,并使用十倍交叉验证进行评估.
主要成果:
- DCSwinB实现了高性能指标:准确率为90.96%,回忆率为90.56%,特异性为89.65%,AUC为0.94.
- 该模型在肺结节分类方面表现优于ResNet50和Swin-T等既有模型.
- 证明了增强的功能表示和优化的计算效率.
结论:
- DCSwinB在提高肺结节分类的准确性和可靠性方面显示出显著的潜力.
- 该模型可以帮助放射科医生减少诊断错误,从而更早地进行干预.
- 这种深度学习方法为改善肺癌诊断和患者结果提供了有希望的进步.
