基于转移学习的深度架构用于肺癌分类,使用CT图像与基于模式和的特征集
1School of Electronics Engineering, Vellore Institute of Technology, Vellore, Tamil Nadu, 632014, India.
Scientific reports
|August 2, 2025
概括
一个新的混合深度学习模型,ILN-TL-DM,精确地从CT扫描中分类肺癌. 这种先进的方法提高了早期检测的准确性,有助于为这种主要死亡原因提供更好的患者预后.
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,早期检测对于改善患者的治疗结果至关重要.
- CT扫描是一个关键的诊断工具,但由于可变的特征,从CT图像中分类肺癌是具有挑战性的.
研究的目的:
- 介绍一种新的混合深度学习架构,ILN-TL-DM,用于从CT扫描图像中精确地分类肺癌.
- 通过先进的图像处理和分类技术,提高肺癌检测的准确性和稳定性.
主要方法:
- 预处理涉及适应高斯过以减少噪音和增强图像.
- 细分使用了基于提高注意力的ResU-Net (P-ResU-Net) 来隔离肺部和瘤区域.
- 特征提取包括局部Gabor过渡模式 (LGTrP),PHOG,深度特征和基于的特征.
- 分类采用混合深度学习模型 (ILN-TL-DM),将改进的LeNet,转移学习和DeepMaxout与软投票相结合.
主要成果:
- ILN-TL-DM模型实现了高精度 (0.962),特异性 (0.955) 和负预测值 (NPV) (0.964).
- 与肺癌检测常规方法相比,拟议的方法显示出更高的性能.
结论:
- ILN-TL-DM模型有效地从CT图像中对肺癌进行分类,提高了诊断准确度.
- 结合复杂的神经网络,特征工程和整体方法,为医学图像分类提供了一个有希望的策略.
