[论文解读] LCDctCNN: Lung Cancer Diagnosis of CT scan Images Using CNN Based Model

Muntasir Mamun, Md Ishtyaq Mahmud+2 more|arXiv (Cornell University)|Apr 10, 2023

Lung Cancer Diagnosis and TreatmentMedicine被引用 3

一句话总结

本文提出了一种用于通过CT扫描图像进行早期肺癌诊断的定制卷积神经网络（CNN）模型LCDctCNN。该模型在CT影像数据集上的诊断性能优于Inception V3、Xception和ResNet-50等基准模型，取得了92%的准确率、98.21%的AUC、91.72%的召回率和0.328的损失值。

ABSTRACT

The most deadly and life-threatening disease in the world is lung cancer. Though early diagnosis and accurate treatment are necessary for lowering the lung cancer mortality rate. A computerized tomography (CT) scan-based image is one of the most effective imaging techniques for lung cancer detection using deep learning models. In this article, we proposed a deep learning model-based Convolutional Neural Network (CNN) framework for the early detection of lung cancer using CT scan images. We also have analyzed other models for instance Inception V3, Xception, and ResNet-50 models to compare with our proposed model. We compared our models with each other considering the metrics of accuracy, Area Under Curve (AUC), recall, and loss. After evaluating the model's performance, we observed that CNN outperformed other models and has been shown to be promising compared to traditional methods. It achieved an accuracy of 92%, AUC of 98.21%, recall of 91.72%, and loss of 0.328.

研究动机与目标

• 开发一种用于通过CT扫描图像实现早期且准确肺癌诊断的深度学习模型。
• 通过在医学影像中利用卷积神经网络的强大能力，改进传统诊断方法。
• 将所提出的CNN模型与Inception V3、Xception和ResNet-50等成熟架构的性能进行比较。
• 使用准确率、AUC、召回率和损失等标准指标评估模型的有效性。
• 为临床肺癌筛查提供一种稳健且高精度的诊断工具。

提出的方法

• 设计了一种名为LCDctCNN的定制CNN架构，专门用于从CT扫描图像中分类肺癌。
• 使用标准的数据增强技术提高泛化能力，在CT扫描图像数据集上进行模型的训练与验证。
• 采用关键深度学习指标（准确率、受试者工作特征曲线下面积AUC、召回率和损失）对性能进行评估。
• 将该模型与基于迁移学习的模型（Inception V3、Xception和ResNet-50）进行比较，所有模型均在同一数据集上进行微调。
• 训练过程中采用随机梯度下降法，并使用交叉熵损失函数以优化分类性能。
• 该架构利用多个卷积层和池化层，从肺部CT图像中提取分层特征。

实验结果

研究问题

• RQ1 与已建立的预训练模型相比，定制CNN模型是否能在CT扫描肺癌检测中实现更优的诊断性能？
• RQ2 所提出的LCDctCNN模型在CT影像数据集上的诊断准确率、AUC、召回率和损失值是多少？
• RQ3 LCDctCNN在关键评估指标上与Inception V3、Xception和ResNet-50相比表现如何？
• RQ4 所提出的CNN模型是否在早期肺癌检测中展现出更好的泛化能力和鲁棒性？
• RQ5 深度学习模型是否能显著降低CT影像肺癌筛查中的假阴性率？

主要发现

• LCDctCNN模型在肺癌CT扫描数据集上实现了92%的分类准确率。
• 该模型的AUC达到98.21%，表明其在区分癌症与非癌症病例方面表现出色。
• 召回率为91.72%，表明其在检测阳性肺癌病例方面具有较强的敏感性。
• 模型的损失值为0.328，表明训练过程中优化效果良好且已实现收敛。
• LCDctCNN在所有评估指标上均优于Inception V3、Xception和ResNet-50，展现出更优的性能。
• 结果证实，针对此特定诊断任务，定制CNN架构比迁移学习模型更具有效性。