优化肺结节分类使用CLAHE增强CT成像和基于Swin变压器的深度特征提取
Dorsaf Hrizi1, Khaoula Tbarki2,3, Sadok Elasmi1
1COSIM Laboratory, Higher School of Communication of Tunis, University of Carthage, Ariana 2083, Tunisia.
Journal of imaging
|October 28, 2025
概括
这项研究提出了一种混合计算机辅助诊断管道,用于从CT扫描进行肺癌分类. 这种新的方法达到95.8%的准确性,改善了肺癌的早期检测.
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:
- 肺癌是全球癌症相关死亡的主要原因之一.
- 肺癌的早期检测显著提高了患者的生存率.
- 计算机断层扫描 (CT) 扫描对于诊断肺癌至关重要.
研究的目的:
- 开发和评估混合计算机辅助诊断 (CAD) 管道,以使用CT图像进行精确的肺癌分类.
- 研究结合各种图像预处理技术,特征提取深度学习模型和经典机器学习分类器的有效性.
- 提高可解释性,减少肺癌分类模型中的过度拟合.
主要方法:
- 设计了一个混合CAD管道,集成十种图像预处理方法和十种预训练的深度学习模型 (CNN,变压器) 来进行特征提取.
- 四个经典的机器学习分类器被用于最终的分类任务.
- 管道将特征提取与分类脱,允许评估400个不同的模型配置.
- 该方法在肺图像数据库联盟和图像数据库资源倡议数据集 (1018个CT扫描) 上得到了验证.
主要成果:
- 最优的管道结合了对比度有限的自适应式直方体平衡,旋转变压器特征提取和极端梯度提升.
- 这种表现最好的配置在分类恶性与良性肺结节时达到95.8%的高精度.
- 数据集包括来自1018个胸部CT扫描的6568个恶性和4849个良性图像.
结论:
- 拟议的混合CAD管道展示了从CT扫描中准确可靠的肺癌分类的巨大潜力.
- 与端到端深度学习系统相比,解功能提取和分类提供了更好的解释性和稳定性.
- 这种方法代表了人工智能驱动的早期肺癌检测和诊断工具的有希望的进步.
