利用密集卷积-CapsNet技术诊断肺部疾病并实现最优分类

《Scientific Reports》：Diagnosing lung disorder and optimal classification using dense convolution (Dc)–CapsNet technique

　　

摘要

肺癌是全球最常见的癌症类型。在癌细胞扩散之前很难被诊断出来，因此治疗起来相当复杂。为了解决这些问题，有必要通过识别正常与恶性结节来尽早检测和分类此类肺部疾病。这有助于为患者提供肺癌风险因素，并通过及时治疗挽救生命。为此，我们利用密集卷积（DC）-CapsNet模型开发了一种新的方法，用于诊断和最佳分类肺部疾病。该框架的主要目标是利用胸部X光片和CT扫描图像来识别和分类多种肺部疾病，包括肺癌、肺炎和结核病。在此，我们提出了一种全新的深度学习方法用于肺部疾病识别，其流程包括图像预处理、分割、特征提取、特征优化以及检测等步骤。本研究提出了一种基于深度学习的自动图像分析方法，用于肺部疾病的诊断与分类。该工作的主要贡献如下：在预处理阶段采用无数据丢失的最佳滤波技术，以提高胸部X光图像的质量；使用增强型大量聚类算法进行图像分割；以深度CNN模型作为特征提取的基础；随后通过一种新型的进化水波优化算法选出最优特征；最后利用DC-CapsNet模型预测和检测肺部疾病，判断输入的肺部图像是否正常。此外，还对所提出的模型进行了性能评估，并将结果与多种传统模型进行比较，以验证该方案相较于其他方法的优势。评估指标包括整体准确率、精确度、召回率、F1分数、特异性、敏感度、处理时间与训练时间之比、杰卡德相似系数以及迪斯相似系数等。该模型的准确率达到了97.58%，比现有模型高出1.9%；在所有对比模型中，其精确率为0.986，召回率为0.975，F1分数为0.972，迪斯相似系数为0.995，杰卡德相似系数为0.954。评估结果表明，该模型在各项指标上均优于现有模型，充分体现了其在预测肺部疾病方面的有效性。