一个新的卷积混动注意力Xtreme渐变增强网络,用于使用计算机断层扫描图像改进肺癌检测
1Department of Computer Science and Engineering, R.M.K. College of Engineering and Technology, R.S.M. Nagar, Puduvoyal - 601206, Tamil Nadu, India.
Computational biology and chemistry
|October 17, 2025
概括
这项研究引入了一种新的混合模型,SA-XGBNet,用于使用计算机断层扫描 (CT) 图像自动检测肺癌. 该模型实现了高精度,证明了其在早期和高效的肺癌诊断方面的潜力.
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:
- 肺癌是癌症相关死亡的主要原因之一.
- 计算机断层扫描 (CT) 对于肺癌诊断至关重要.
- 手动解读CT扫描是耗时且容易出错的,需要自动化解决方案.
研究的目的:
- 提出一种混合模型,SA-XGBNet,用于CT图像中自动检测肺癌.
- 整合混合注意网络 (SA-Net),卷积极度梯度提升 (ConvXGB) 和分数计算 (FC) 进行增强的检测.
主要方法:
- CT图像使用科尔摩戈罗夫-维纳波器进行预处理,并通过双重注意网络 (DA-Net) 分段.
- 使用图像增强技术来增强数据集.
- 特性提取包括形状,强度,HOLBP与和基于纹理的描述符,然后使用SA-XGBNet进行检测.
主要成果:
- 在90%的培训数据上,SA-XGBNet模型实现了92.975%的准确性.
- 取得了94.977%的真正阳性率 (TPR) 和90.866%的真负率 (TNR).
- 使用LIDC-IDRI数据集验证了性能.
结论:
- 拟议的SA-XGBNet模型显示出从CT图像中准确和自动检测肺癌的巨大潜力.
- 这种混合方法为肺癌的计算机辅助诊断提供了有前途的进步,提高了诊断效率和准确性.
