Поліпшення виявлення та класифікація вузлів у легенях на основі згорткових нейронних мереж
Передумови та цілі
Рак легенів залишається провідною причиною смертності від раку у всьому світі. Раннє виявлення легеневих вузлів має вирішальне значення для своєчасної діагностики та ефективного лікування. Традиційні системи автоматичного виявлення мають обмеження, включаючи високий рівень хибнопозитивних результатів та низьку чутливість. Нещодавні досягнення в галузі глибокого навчання, особливо згорткові нейронні мережі (CNN), показали великий потенціал у підвищенні точності та надійності виявлення та класифікації вузлів. Метою даного дослідження було розробити та оцінити автоматичний метод виявлення та класифікації легеневих вузлів з використанням архітектури на основі CNN, застосованої до зображень комп'ютерної томографії із загальнодоступної бази даних LIDC-IDRI.
Методи
Дане ретроспективне дослідження було проведено на 82 пацієнтах (10496 зрізів комп'ютерної томографії), відібраних з бази даних LIDC-IDRI. Запропонований метод складається з п'яти основних етапів: попередня обробка зображень, сегментація легеневої паренхіми з використанням порогової обробки Оцу та морфологічних операцій, виявлення потенційних вузлів, вилучення ознак та класифікація з використанням моделі CNN. Архітектура CNN включає два згорткових шари (20 і 30 фільтрів, ядро 3×3), активацію ReLU, шари максимального пулінгу та вихідний шар Softmax. Мережа навчалася з розміром міні-пакета 32 протягом 50 епох із використанням стохастичного градієнтного спуску з оптимізатором Momentum (швидкість навчання = 0,001, момент = 0,9). Продуктивність моделі оцінювалася за показниками чутливості, специфічності, точності та правильності.
Результати
Запропонована модель CNN успішно виявила легеневі вузли та забезпечила точну класифікацію між доброякісними та злоякісними вузлами. На наборі даних LIDC-IDRI модель досягла чутливості 98,7%, специфічності 97,5%, точності 97,9% та правильності 98,4%. Порівняльний аналіз з недавніми дослідженнями, включаючи гібридні моделі CNN з довготривалою короткочасною пам'яттю та моделі на основі ResNet, показав, що запропонований метод забезпечує конкурентоспроможні результати за збереження нижчої обчислювальної складності. Класифікація підтипів вузлів (щільні, частково вкриті інеєм, повністю вкриті інеєм) показала задовільні результати розрізнення.
Висновки
Запропонована система на основі згорткової нейронної мережі демонструє здійсненність та надійність глибокого навчання для автоматичного виявлення та класифікації вузлів у легенях. Незважаючи на переконливі результати, у дослідженні визнаються обмеження, такі як перевірка на одній базі даних та відносно невеликий розмір навчальної вибірки. Надалі робота буде зосереджена на перевірці моделі на інших наборах даних (наприклад, ELCAP, NELSON) та оптимізації продуктивності багатокласової класифікації для підвищення узагальнюваності та клінічної застосування.
Джерело: Видавництво «Xia & He»