Resumen

El proceso de clasificación de la detección de nódulos pulmonares en un sistema tradicional de detección asistida por ordenador (CAD) es complejo, y el resultado de la clasificación depende en gran medida del rendimiento de cada paso en la detección de nódulos pulmonares, lo que provoca una baja precisión de la clasificación y una alta tasa de falsos positivos. Para paliar estos problemas, se propone un método de clasificación de nódulos pulmonares basado en una red residual profunda. Abandonando los métodos tradicionales de procesamiento de imágenes y tomando la estructura de red ResNet de 50 capas como modelo inicial, la red residual profunda se construye combinando el aprendizaje residual y el aprendizaje por migración. El enfoque propuesto se verifica mediante la realización de experimentos con imágenes de tomografía computarizada (TC) de pulmón de la base de datos LIDC-IDRI disponible públicamente. Se obtiene una precisión media del 98,23 y una tasa de falsos positivos del 1,65 con el método de validación cruzada de diez veces. En comparación con el sistema CAD convencional basado en la máquina de vectores de apoyo (SVM), la precisión de nuestro método mejoró en un 9,96 y la tasa de falsos positivos disminuyó en un 6,95%, mientras que la precisión mejoró en un 1,75 y 2,42%, respectivamente, y la tasa de falsos positivos disminuyó en un 2,07 y 2,22%, respectivamente, en contraste con el modelo VGG19 y las redes neuronales convolucionales InceptionV3. Los resultados experimentales demuestran la eficacia de nuestro método propuesto en la clasificación de nódulos pulmonares para imágenes de TC.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:tasa de falsos positivos, red residual profunda, clasificación de nódulos pulmonares, detección de nódulos pulmonares, baja precisión de clasificación, estructura de la red resnet, máquina de vectores de apoyo, red neuronal convolucional, métodos de procesamiento de imágenes, proceso de pulmón
• Keywords:false positive rate, deep residual network, lung nodule classification, lung nodule detection, low classification accuracy, resnet network structure, support vector machine, convolutional neural network, image processing methods, process of lung