使用CT图像检测肺癌的Swallow Winged Kite优化与Shuffle注意力Xtreme梯度提升网络
1Department of Computer Science and Engineering, R.M.K. College of Engineering and Technology, R.S.M. Nagar, Puduvoyal, 601206, Tamil Nadu, India. sandhiyacse@rmkcet.ac.in.
概括
一个新的深度学习模型,SWKO_SA-XGBNet,通过CT图像提高了早期肺癌检测. 这种方法显著提高了诊断准确度,为及时干预提供了更敏感,更少侵入性的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 由于晚期检测和缺乏早期症状,肺癌的诊断往往会延迟.
- 目前的诊断方法是侵入性的,昂贵的,缺乏有效早期检测的敏感性.
- 晚期诊断限制了治疗选择,并对患者的治疗结果产生了负面影响.
研究的目的:
- 开发一种先进的深度学习模型,使用CT图像进行准确和早期的肺癌检测.
- 通过提出更敏感和非侵入性的方法来解决传统诊断技术的局限性.
- 通过及时和精确的肺癌诊断来改善患者的治疗结果.
主要方法:
- 一个新的吞翼优化与混合注意力Xtreme梯度提升网络 (SWKO_SA-XGBNet) 的小说被设计用于肺癌检测.
- 图像预处理涉及非局部平均值 (NLM) 过器,随后使用医疗图像细分网 (MIS-Net) 进行肺结节细分.
- 该SWKO_SA-XGBNet模型集成了卷积极度梯度提升 (ConvXGB),分数计算 (FC) 和混合注意网络 (SA-Net),通过混合SWKO算法进行优化.
主要成果:
- 在CT图像上,SWKO_SA-XGBNet模型实现了高诊断性能.
- 关键性能指标包括精度为96.88%,真正率 (TPR) 为97.46%,真负率 (TNR) 为96.60%,精度为96.01%和F1得分为96.73%.
- 拟议的方法在识别肺结节方面表现出更高的灵敏度和特异性.
结论:
- 开发的SWKO_SA-XGBNet模型为早期肺癌检测提供了一个高度准确和高效的方法.
- 这种人工智能驱动的方法显示出克服传统诊断工具局限性的巨大潜力.
- 这些发现表明,在瘤成像学中取得了有前途的进展,改善了患者的生存率.
