Улучшение обнаружения и классификация узлов в легких на основе сверточных нейронных сетей
Предпосылки и цели
Рак легких остается ведущей причиной смертности от рака во всем мире. Раннее выявление легочных узлов имеет решающее значение для своевременной диагностики и эффективного лечения. Традиционные системы автоматического обнаружения имеют ограничения, включая высокий уровень ложноположительных результатов и низкую чувствительность. Недавние достижения в области глубокого обучения, особенно сверточные нейронные сети (CNN), показали большой потенциал в повышении точности и надежности обнаружения и классификации узлов. Целью данного исследования было разработать и оценить автоматический метод обнаружения и классификации легочных узлов с использованием архитектуры на основе CNN, примененной к изображениям компьютерной томографии из общедоступной базы данных LIDC-IDRI.
Методы
Данное ретроспективное исследование было проведено на 82 пациентах (10 496 срезов компьютерной томографии), отобранных из базы данных LIDC-IDRI. Предложенный метод состоит из пяти основных этапов: предварительная обработка изображений, сегментация легочной паренхимы с использованием пороговой обработки Оцу и морфологических операций, обнаружение потенциальных узлов, извлечение признаков и классификация с использованием модели CNN. Архитектура CNN включает два сверточных слоя (20 и 30 фильтров, ядро 3×3), активацию ReLU, слои максимального пулинга и выходной слой Softmax. Сеть обучалась с размером мини-пакета 32 в течение 50 эпох с использованием стохастического градиентного спуска с оптимизатором Momentum (скорость обучения = 0,001, момент = 0,9). Производительность модели оценивалась по показателям чувствительности, специфичности, точности и правильности.
Результаты
Предложенная модель CNN успешно обнаружила легочные узлы и обеспечила точную классификацию между доброкачественными и злокачественными узлами. На наборе данных LIDC-IDRI модель достигла чувствительности 98,7%, специфичности 97,5%, точности 97,9% и правильности 98,4%. Сравнительный анализ с недавними исследованиями, включая гибридные модели CNN с долговременной кратковременной памятью и модели на основе ResNet, показал, что предложенный метод обеспечивает конкурентоспособные результаты при сохранении более низкой вычислительной сложности. Классификация подтипов узлов (плотные, частично покрытые инеем, полностью покрытые инеем) показала удовлетворительные результаты различения.
Выводы
Предложенная система на основе сверточной нейронной сети демонстрирует осуществимость и надежность глубокого обучения для автоматического обнаружения и классификации узлов в легких. Несмотря на убедительные результаты, в исследовании признаются ограничения, такие как проверка на одной базе данных и относительно небольшой размер обучающей выборки. В дальнейшем работа будет сосредоточена на проверке модели на других наборах данных (например, ELCAP, NELSON) и оптимизации производительности многоклассовой классификации для повышения обобщаемости и клинической применимости.
Источник: Издательство «Xia & He»