深度残留Xception 基于网络的肺癌检测使用CT图像
Selva Rani Balasubramaniam1, Deena Gnanasekaran2, Ilavarasan Sargunan3
1Department of Information Technology, School of Computer Science Engineering and Information Systems, Vellore Institute of Technology, Vellore, India.
Cancer investigation
|November 13, 2025
概括
一个新的深度残留Xception网络 (DRX-Net) 改善了从CT扫描中的肺癌 (LC) 检测. 这种人工智能方法提高了早期肺癌识别的诊断精度和效率.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 肺癌 (LC) 是全球主要的死亡原因,需要在早期检测方面取得进展.
- 目前使用计算机断层扫描 (CT) 检测肺癌的计算机辅助诊断 (CAD) 系统在处理时间和诊断准确性方面面临挑战.
- 改善肺癌的早期诊断对于提高患者生存结果至关重要.
研究的目的:
- 引入和评估一个新的深度残留Xception网络 (DRX-Net),以从CT图像中有效和精确地识别肺癌.
- 解决现有的CAD系统在肺癌诊断速度和准确性方面的局限性.
- 开发一种先进的深度学习模型,用于提升肺结节的早期检测.
主要方法:
- CT图像进行了预处理,包括使用维纳波器去噪声.
- 使用基于金字塔注意力的Y网 (PAY-Net) 进行了肺结节细分,具有混合损失函数.
- 在使用拟议的DRX-Net进行分类之前,应用了特征提取和数据增强,集成了Xception和深度残留网络 (DRN).
主要成果:
- DRX-Net模型在肺癌检测方面表现出高性能.
- 获得了93.988%的准确性.
- 在K组8数据集上报告了95.567%的真正率 (TPR) 和91.432%的真负率 (TNR).
结论:
- 拟议的DRX-Net在使用CT图像检测肺癌方面取得了重大进展.
- 该模型显示了在临床环境中提高诊断精度和效率的潜力.
- 这种深度学习方法有助于开发更有效的肺癌计算机辅助诊断系统.


