一种基于多尺度卷积神经网络的新方法,用于识别肺结节
Honglin Xiong1,2, Yifei Lu3,4, Junxiang Qiu3,5
1Collaborative Innovation Center for Biomedicine, Shanghai University of Medicine & Health Sciences, Shanghai, 201318, China. honyex@126.com.
Scientific reports
|October 29, 2025
概括
一种新的多尺度卷积神经网络 (MCNN) 模型增强了肺结节的检测. 这种深度学习方法提高了识别肺结节的准确性,为疾病预后提供了更好的医学图像分析.
科学领域:
- 医疗图像分析 医学图像分析
- 放射学中的深度学习.
- 计算病理学计算病理学
背景情况:
- 图像识别技术的进步正在推动医学图像分析和诊断中的深度学习应用.
- 准确的肺结节识别和分类对于早期发现疾病和改善患者预后至关重要.
- 传统的卷积神经网络 (CNN) 在有效检测不同类型的肺结节时面临着挑战.
研究的目的:
- 通过深度学习解决肺结节的识别和分类方面的挑战.
- 提出和评估一种新的多尺度卷积神经网络 (MCNN) 模型,用于增强肺结节检测.
- 将高斯金字塔分解 (GPD) 集成到CNN框架中,以提高肺结节的图像识别能力.
主要方法:
- 开发一种新的多尺度卷积神经网络 (MCNN) 模型.
- 整合高斯金字塔分解 (GPD) 来增强MCNN中的特征提取.
- 使用实践研究数据集对MCNN与传统CNN模型和其他分类器进行比较性能分析.
主要成果:
- 与传统的CNN方法相比,MCNN模型在肺结节检测方面表现优异.
- 在检测固体结节和纯地玻璃结节的F1值 (超过2.0%) 中观察到显著改善.
- MCNN在识别肺结节方面取得了更高的整体准确性,这表明诊断潜力得到了增强.
结论:
- 提议的MCNN模型与GPD增强,在基于深度学习的肺结节检测方面取得了重大进展.
- 这种方法显示了改善放射学医学图像分析的准确性和效率的实际含义.
- 这些发现表明,通过先进的AI技术,提高肺结节相关疾病的预后的新可能性.
