基于强度驱动的感兴趣区域选择与迁移学习的肺癌自动分类

《BMC Medical Informatics and Decision Making》：Automated lung cancer classification using intensity-driven RoI selection and transfer learning

　　

摘要

肺癌的诊断越来越依赖于先进的医学成像系统以及来自不同临床数据源的专家解读。然而，由于专家判断存在差异，且从电子健康记录和放射学数据集中提取有区分度的特征十分复杂，因此要做出准确的临床决策仍面临挑战。为解决这些问题，本文提出了一种改进的肺癌分类框架，该框架利用公开的可用于基准测试的数据集中的强度驱动型感兴趣区域选择方法，这些数据集包括肺图像数据库联盟图像集（LIDC-IDRI）和癌症影像档案库（TCIA）。所提出的方法还包括对标签进行定制化优化，以及对关键感兴趣区域进行精确标注，从而捕捉与恶性结节相关的具有临床意义的特征。此外，还采用了高维感兴趣区域映射策略来提升特征的表示能力和区分度。同时，在迁移学习框架中融入了基于反馈的优化机制，以便不断优化模型参数并提高学习稳定性。经过优化的感兴趣区域表示会被输入到定制的深度学习模型中，从而实现高效的知识复用和更为可靠的决策制定。该方法采用CoVNet架构实现，并在60:40的训练-测试比例下进行评估。实验结果显示，其分类准确率可达97.84%，证明了该框架在提升肺癌分类的预测性能方面的有效性。