一个新的肺癌诊断模型,使用基于混合卷积 (2D/3D) 的适应性DenseUnet与注意力机制

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:

• 由于无症状的性质,早期肺癌的检测仍然具有挑战性,导致高死亡率.
• 现有的肺癌诊断 (LCD) 模型经常在早期和准确的识别方面扎.
• 及时诊断对于有效的肺癌治疗和患者的生存至关重要.

研究的目的:

• 开发一种高效的深度学习模型,用于早期和准确的肺癌诊断.
• 用先进的AI技术改进肺结节的检测和分类.
• 通过增强诊断能力,减少与肺癌相关的死亡率.

主要方法:

• 利用标准基准数据集中的CT图像进行模型训练.
• 开发了一种基于混合卷积 (2D/3D) 的适应性密集网络与注意力机制 (HC-ADAM) 用于肺癌细分.
• 雇员混合培训与蜘蛛优化 (HSTSMO) 用于HC-ADAM的参数优化.
• 实施的混合适应扩展网络与注意力机制 (HADN-AM),结合ResNet和长短期记忆 (LSTM),用于肺结节的分类.

主要成果:

• 拟议的模型在LIDC-IDRI数据集上实现了高性能.
• 在肺癌诊断中达到96.3%的准确性.
• 报告的精度为96.38%,F1得分为96.36%.

结论:

• 开发的深度学习模型显示了早期和准确的肺癌诊断的巨大潜力.
• 将HC-ADAM和HADN-AM与ResNet和LSTM集成,为肺结节分析提供了一个强大的方法.
• 这项研究有助于推进人工智能驱动的医疗成像解决方案,以改善瘤学患者的治疗结果.