LGD_Net:带有极端学习机器的囊网络,用于使用CT扫描对肺部疾病进行分类
Ali Haider Khan1, Jianqiang Li1, Muhammad Nabeel Asghar2
1College of Computer Science, Beijing University of Technology, Beijing, China.
PloS one
|August 8, 2025
概括
一个新的LGD_Net模型使用CT扫描准确地分类肺部疾病 (LGD),如肺炎和癌症. 这种人工智能方法显著帮助放射科医生在早期和精确的LGD诊断中,改善了患者的治疗结果.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 计算病理学计算病理学
- 放射学 放射学是一门学科.
背景情况:
- 肺部疾病 (LGD) 涵盖了诸如肺炎,肺癌,结核病和COVID-19等各种疾病.
- 在LGD中发现的类似症状和成像发现对放射科医生提出了诊断挑战.
- 及时和准确的诊断对于预防严重并发症和死亡至关重要.
研究的目的:
- 提出一个新的深度学习模型,LGD_Net,使用CT扫描准确分类五个LGD.
- 通过将囊网络 (CapsNet) 与极端学习机器 (ELM) 结合起来,提高LGD分类.
- 解决数据不平衡并提高数据集质量,使用边界线-SMOTE和相关转换.
主要方法:
- 开发LGD_Net,将CapsNet和ELM架构集成在一起.
- 在五个公共基准CT扫描数据集上进行培训和测试.
- 边界-SMOTE用于不平衡数据和相关转换的应用,用于数据增强.
主要成果:
- 在LGD_Net的分类中,LGD_Net在LGD的分类中获得了99.71%的卓越准确度.
- 性能明显优于已建立的CNN模型:Vgg-19 (91.21%),ResNet-101 (94.39%),Inception-v3 (93.96%),以及DenseNet-169 (93.82%). 这两种模型的性能都显著优于CNN模型.
- 在LGD分类中展示了最先进的 (SOTA) 性能.
结论:
- 该LGD_Net模型提供了一个高度准确和有效的自动化解决方案,用于从CT扫描中对LGD进行分类.
- 这种人工智能驱动的方法为放射科医生提供了大量支持,提高了诊断能力.
- 这些发现突显了LGD_Net在改善肺部疾病的早期检测和管理方面的潜力.
