一种新的双阶段深度学习方法用于肺癌,使用增强的ResNet50细分和LungSwarmNet分类
Kalaipriya Omprakash1, Dhandapani Samiappan2
1ECE Department, Anna University, Chennai, India. okalaipriya@gmail.com.
Scientific reports
|December 6, 2025
概括
肺癌是全球领先的杀手. 这项研究介绍了Lung Swarm Net,一种使用DenseNet201和粒子群优化 (PSO) 的深度学习模型,用于从CT扫描中准确地分类肺癌,其性能优于现有方法.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 肺癌是全球癌症相关死亡的主要原因之一.
- 肺癌的早期诊断显著提高了患者的生存率.
- 深度学习模型越来越多地用于医学图像分析,包括癌症检测.
研究的目的:
- 开发和评估一个新的深度神经网络架构,用于肺癌分类.
- 为了提高计算机断层扫描 (CT) 扫描的肺癌检测的准确性.
- 改善肺癌的早期诊断,以改善患者的治疗结果.
主要方法:
- 开发了一个深度神经网络架构,肺群网络.
- ResNet50被用于医疗图像细分程序.
- 将DenseNet201与粒子群优化 (PSO) 结合起来,用于从CT扫描中进行肺癌分类.
主要成果:
- 拟议的肺群网络模型与现有模型相比,表现出优越的性能.
- 实验数据表明,CT图像对肺癌的分类具有很高的准确性.
- 该模型有效地整合了细分和分类,以提高诊断能力.
结论:
- 肺群网络模型对准确和早期肺癌检测有显著的前景.
- 深度学习,特别是DenseNet201和PSO的结合,为瘤学中的医学图像分析提供了先进的功能.
- 这种方法有可能通过提高诊断准确性和及时干预来降低肺癌死亡率.
