3D FusionNet用于基于合成CT的肺癌细分
Chiranjib Parida1, Saurabh Bilgaiyan1, Santwana Sagnika1
1School of Computer Engineering, KIIT-Deemed to be University, Bhubaneswar, 751024, Odisha, India.
Scientific reports
|December 3, 2025
概括
这项研究介绍了3D-FusionNet,这是一种使用增强的3DCT扫描来检测肺癌的新型框架. 该模型通过将生成对抗网络与深度学习相结合来提高准确性和稳定性,以获得更好的诊断工具.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
背景情况:
- 解释3D医学扫描用于诊断是一项挑战.
- 由于肺癌的高死亡率,肺癌检测需要改进的计算机辅助工具.
研究的目的:
- 为肺部CT图像开发一个先进的细分框架.
- 通过深度学习提高肺癌检测的准确性和稳定性.
主要方法:
- 组合深度卷积生成对抗网络 (DCGAN) 用于3D-TDUnet++架构的数据增强.
- 利用了胸部CT扫描图像数据集,用DCGAN生成的合成图像进行了丰富.
- 综合非局部特征聚合 (NLFa) 改进了特征提取.
主要成果:
- 3D-FusionNet模型在肺癌检测方面取得了卓越的性能.
- 与传统方法相比,证明了更高的准确性 (93.37%),灵敏度和特异性.
- 获得了88.94%的子系数和88.94%的F1得分,超过了基准模型.
结论:
- 在临床环境中,DCGAN和3D-TDUnet++与NLFa的混合方法显示出显著的前景.
- 3D-FusionNet模型为现实世界的诊断管道提供了一个可扩展和高效的解决方案.
- 深度生成建模和体积细分可以有效地集成,以改善医疗图像分析.
