Research indexJournal article
基于EfficientNet的CT 肺结节分级方法研究
刘, 赵, 王
Medical Research and Practice20 Aug 2024Open access
基于EfficientNet的CT 肺结节分级方法研究
刘, 赵, 王 · Medical Research and Practice · 2024
Free to read at the publisher
You can read the abstract here, or the full text at the publisher.
Abstract
目的 研究基于EfficientNet模型的肺结节病变分级识别方法,用以提高肺结节的诊断识别效能和人工智能鉴别诊断肺结节的临床价值。方法 选取2021年3月至2023年9月在宁海县第一医院经螺旋CT检查12,480张肺结节图像,包括四种程度的肺结节病变和健康肺部CT图像,使用EfficientNet-B0模型训练CT图像肺结节分级模型。从中随机抽取了高质量CT图像作为研究样本,并确保所有图像均符合《肺结节诊治中国专家共识(2018 年版)》中对肺结节的定义。采用EfficientNet深度学习模型对预处理后的图像进行特征提取,实现对肺结节的自动检测分级。数据集被分为训练集、验证集和测试集,其中训练集占80%,验证集占20%,测试集占5%。使用训练集数据对模型进行训练,并通过不断调整模型参数以优化其性能。结果 EfficientNet模型在检测不同直径的肺结节时,准确率、敏感度和特异度均表现出较高水平。具体来说,C0(无结节)准确率为99.00%,C1(2级,直径<6mm)准确率为88.23%,C2(3级,6mm≤直径<8mm) 准确率为85.61%,C3(4a 级,8mm≤直径<15mm) 准确率为82.14%,C4(4b级,直径≥15mm)准确率为90.24%。敏感度随着结节直径的增加而提高,C4类敏感度达到94.34%。特异度也表现出类似趋势,C4类特异度为86.54%。结论 研究通过采用EfficientNet深度学习模型对肺结节CT图像进行自动检测分级,取得了较好的结果。