[论文解读] Deep Learning Approach for Early Stage Lung Cancer Detection

Saleh Abunajm, Nelly Elsayed+2 more|arXiv (Cornell University)|Feb 5, 2023

Lung Cancer Diagnosis and Treatment被引用 9

一句话总结

本论文提出基于CNN的模型，通过CT扫描对肺癌分期进行早期预测与检测，达到高准确率，并旨在支持放射科医生的诊断决策。

ABSTRACT

Lung cancer is the leading cause of death among different types of cancers. Every year, the lives lost due to lung cancer exceed those lost to pancreatic, breast, and prostate cancer combined. The survival rate for lung cancer patients is very low compared to other cancer patients due to late diagnostics. Thus, early lung cancer diagnostics is crucial for patients to receive early treatments, increasing the survival rate or even becoming cancer-free. This paper proposed a deep-learning model for early lung cancer prediction and diagnosis from Computed Tomography (CT) scans. The proposed mode achieves high accuracy. In addition, it can be a beneficial tool to support radiologists' decisions in predicting and detecting lung cancer and its stage.

研究动机与目标

• 推动早期肺癌诊断以提高生存率。
• 开发一个深度学习模型，从CT图像预测和检测肺癌分期。
• 基于既定指标评估模型并与最先进方法进行比较。

提出的方法

• 提出一个深度卷积神经网络，包含多层Conv2D和MaxPooling，随后通过全连接SoftMax进行三类输出（良性、恶性、正常）。
• 使用ReLU激活和早期池化以防止过拟合。
• 在IQ-OTH/NCCD-Lung Cancer数据集上训练，进行图像预处理和基于CLAHE的对比度增强。
• 应用数据增强来扩展数据集（翻转、亮度、缩放、旋转、错切等）。
• 报告详细指标，包括精确度、召回率、特异性、F1分数以及总体准确度。

实验结果

研究问题

• RQ1 基于CNN的模型能否准确将CT扫描分为良性、恶性和正常三类，以实现早期肺癌检测？
• RQ2 基于CLAHE的对比度增强和数据增强对模型性能有何影响？
• RQ3 在IQ-OTH/NCCD数据集上，所提模型与最先进的CNN模型相比如何？

主要发现

• 该模型在增强后的IQ-OTH/NCCD数据集上实现了99.45%的准确率。
• 三类的精确度、召回率（灵敏度）和特异性都很高，恶性类别的精确度为1.00，召回率为99%。
• F1分数分别为良性0.98、恶性1.00和正常0.99。
• 精确度、召回率和F1-score的宏平均和加权平均均为99%。
• 训练使用了6,345张增强后的图像和2,116张验证图像，损失值为1.75。