Resumen

Con el rápido desarrollo de la tecnología de detección, la tecnología de imagen por TC se ha utilizado ampliamente en el diagnóstico clínico precoz de los nódulos pulmonares. Sin embargo, la evaluación precisa de la naturaleza del nódulo sigue siendo una tarea difícil debido a la naturaleza subjetiva del radiólogo. Con la creciente cantidad de datos de imágenes pulmonares disponibles públicamente, se ha hecho posible utilizar redes neuronales convolucionales para la clasificación benigna y maligna de los nódulos pulmonares. Sin embargo, a medida que aumenta la profundidad de la red, los métodos de entrenamiento de redes basados en el descenso de gradiente suelen conducir a la dispersión del gradiente. Por lo tanto, proponemos un nuevo enfoque de red convolucional profunda para clasificar la benignidad y malignidad de los nódulos pulmonares. En primer lugar, segmentamos, extrajimos y realizamos un blanqueamiento por análisis de componentes de fase cero en imágenes de nódulos pulmonares. A continuación, se introdujo un perceptrón multicapa en la estructura para construir una red convolucional profunda. Por último, se utilizó el método de descenso de gradiente estocástico minibatch con un coeficiente de impulso para afinar la red convolucional profunda y evitar la dispersión de gradiente. Para la verificación experimental se utilizan los 750 nódulos pulmonares de la base de datos de imágenes pulmonares. La precisión de clasificación del método propuesto puede alcanzar el 96,0%. Los resultados experimentales muestran que el método propuesto puede proporcionar una ayuda objetiva y eficiente para resolver el problema de la clasificación de nódulos pulmonares benignos y malignos en imágenes médicas.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:nódulos pulmonares, red convolucional profunda, dispersión de gradiente, datos de imágenes pulmonares disponibles, nuevo enfoque de red convolucional profunda, método de descenso de gradiente estocástico, tecnología de imágenes de TC, redes neuronales convolucionales, diagnóstico clínico precoz, base de datos de imágenes pulmonares
• Keywords:lung nodules, deep convolutional network, gradient dispersion, available lung image data, novel deep convolutional network approach, stochastic gradient descent method, CT imaging technology, convolutional neural networks, early clinical diagnosis, lung image database