Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Advanced U-Net Architectures with CNN Backbones for Automated Lung Cancer Detection and Segmentation in Chest CT Images

Created by
  • Haebom

作者

Alireza Golkarieh, Kiana Kiashemshaki, Sajjad Rezvani Boroujeni, Nasibeh Asadi Isakan

概要

本研究では、胸部CT画像における自動肺癌の検出と分割のための様々な合成積ニューラルネットワーク（CNN）バックボーンと統合されたU-Netアーキテクチャの効果を調べます。 832個の胸部CT画像（癌性416個、非癌性416個）のバランスの取れたデータセットをCLAHE前処理し、128×128ピクセルにサイズ変更しました。 ResNet50、VGG16、Xception 3つのCNNバックボーンを用いてU-Netモデルを開発し、肺領域を分割した。分割後、CNNベースの分類器とCNN特徴抽出と従来の機械学習分類器（SVM、Random Forest、Gradient Boosting）を組み合わせたハイブリッドモデルを5-fold交差検証を用いて評価した。評価指標としては、精度、精度、再現率、F1スコア、Dice係数、ROC-AUCを用いた。 ResNet50を使用したU-Netは、癌性肺に対して最高性能（Dice：0.9495、精度：0.9735）を達成し、VGG16を使用したU-Netは非癌性スプリットに対して最高性能（Dice：0.9532、精度：0.9513）を達成しました。分類では、Xceptionを使用したU-Netを使用したCNNモデルは、99.1％の精度、99.74％の再現率、99.42％のF1スコアを達成しました。ハイブリッドCNN-SVM-Xceptionモデルは、96.7％の精度と97.88％のF1スコアを達成しました。従来の方法と比較して、本研究のフレームワークは従来のモデルより一貫して優れた性能を示した。結論として、高度なCNNバックボーンとU-Netを組み合わせることは、CTスキャンにおける肺癌の分割と分類のための強力な方法を提供し、早期診断と臨床意思決定を支援します。

Takeaways、Limitations

•
Takeaways:
◦
U-Netと様々なCNN骨格（ResNet50、VGG16、Xception）との結合による肺癌の検出および分割の効果的な方法を提示する。
◦
癌性および非癌性肺組織に対する高い精度と感度を達成
◦
早期肺がんの診断と臨床意思決定支援の可能性の提示
◦
従来の方法と比較して優れた性能確認
•
Limitations：
◦
比較的小さいサイズのデータセットを使用する（832画像）。
◦
128×128ピクセルのサイズ変更により、一部の情報損失の可能性。
◦
さまざまな種類の肺がんや臨床的特徴を十分に反映していない可能性。
◦
実際の臨床環境での検証が必要です。
👍
Made with Slashpage