多相深度学习框架与多尺度自适应旋转变压器,并注重精确的肺结节检测和分类
Dhayalini M1, Revathi Alias Ponmozhi B2
1Department of ECE, School of Engineering and Technology, Dhanalakshmi Srinivasan University, Samayapuram, Tamilnadu, India. dhayalinimphd@gmail.com.
Scientific reports
|December 13, 2025
概括
这项研究引入了肺结节检测和分类的先进框架,在区分良性和恶性结节方面实现了高精度. 这种新的方法提高了肺癌的诊断精度,改善了患者的治疗结果.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 瘤学 诊断 诊断 瘤学
背景情况:
- 肺癌是导致死亡的主要原因,需要精确的肺结节检测和分类.
- 当前的诊断方法在精度,可扩展性和适应性方面面临挑战.
研究的目的:
- 开发和验证一个先进的多阶段框架,用于肺结节检测,细分和分类.
- 在临床环境中提高肺结节诊断的准确性和效率.
主要方法:
- 使用稀疏边缘保护增强 (SEPE) 进行预处理.
- 采用了增强的DeepLabv3+架构与ASPP和RBD进行细分,集成了EfficientNetV2,DenseNet-201,ResNet-101和InceptionV3的骨干.
- 实现了一个多尺度适应性旋转变压器 (MA-SwinT) 与MEAM用于结节分类.
- 使用福萨优化算法 (FOA) 优化过度参数.
主要成果:
- 在 LUNA16 (Dice: 98.75%) 和 LIDC-IDRI (Dice: 98.92%) 数据集上实现了高细分性能.
- 在区分良性结节和恶性结节方面,已经证明了卓越的分类准确性 (LUNA16: 99.15%,LIDC-IDRI: 99.40%).
- 框架显示了两个数据集的高精度,回忆和F1分数.
结论:
- 拟议的多阶段框架为肺结节诊断提供了可靠和准确的工具.
- 先进的技术提高了临床应用的精度,可扩展性和适应性.
- 结果表明,有很大的潜力改善肺癌检测和患者的治疗结果.
