使用金字塔级神经模糊分数网络检测多模式肺癌
Ramachandran A1, Michael Mahesh K2, Vijayan Panneerselvam1
1Department of Artificial Intelligence and Data Science, Saveetha Engineering College, Chennai, India.
Cancer investigation
|September 5, 2025
概括
这项研究引入了一种新的Pyramidal Cascade神经模糊分数网络 (PCNFFN),用于使用CT和PET扫描精确检测肺癌 (LCD). PCNFFN模型实现了高准确性,改善了早期诊断和患者的结果.
科学领域:
- 医学成像
- 医疗保健中的人工智能
- 计算生物学
背景情况:
- 早期肺癌检测对于患者的生存和治疗效果至关重要.
- 计算机断层扫描 (CT) 和正子发射断层扫描 (PET) 是肺癌查的关键成像方法.
- 现有的液晶显示器技术往往面临局限性和不确定性.
研究的目的:
- 推出一种新的金字塔级神经模糊分数网络 (PCNFFN),用于增强肺癌检测.
- 通过综合CT和PET成像提高肺癌诊断的准确性和可靠性.
- 解决目前肺癌检测方法的不确定性.
主要方法:
- 使用双边波器 (BF) 预处理CT和PET图像.
- 通过双重注意力V网络 (DAV-Net) 细分肺叶.
- 使用黑洞输入模糊集群 (BHEFC) 进行瘤细分.
- 使用PyramidNet,NFN和分数计算 (FC) 的混合体PCNFFN进行特征提取和最终肺癌检测.
主要成果:
- PCNFFN模型显示了大约91.002%的高精度.
- 获得了约90.504%的真负率 (TNR).
- 在肺癌检测中实现了约92. 571%的真实阳性率 (TPR).
结论:
- 开发的PCNFFN为肺癌检测提供了强大而准确的方法.
- 集成先进的图像处理和深度学习技术显著提高了诊断性能.
- 这种方法有助于更有效的肺癌早期诊断和治疗.


