用于胸部CT图像中肺癌自动检测与分割的高级U-Net架构及CNN背板
图像与视频处理
2025-07-24 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
本研究探讨了将各种卷积神经网络(CNN)背板集成到U-Net架构中，用于胸部CT图像中肺癌的自动化检测与分割，解决了临床环境中准确诊断工具的关键需求。采用对比受限自适应直方图均衡化(CLAHE)预处理方法，对832例胸部CT图像(416例恶性、416例非恶性)进行平衡处理，并调整为128×128像素。开发了采用ResNet50、VGG16和Xception作为CNN背板的U-Net模型，用于肺区域分割。分割后，评估了基于CNN的分类器以及结合传统机器学习分类器(SVM、随机森林和梯度提升树)的混合模型，通过5折交叉验证进行评估。指标包括准确率、精确率、召回率、F1得分、Dice系数和ROC-AUC。U-Net配合ResNet50在恶性肺部实现最佳性能(Dice: 0.9495，准确率: 0.9735)，而U-Net配合VGG16在非恶性分割中表现最佳(Dice: 0.9532，准确率: 0.9513)。在分类任务中，采用Xception的U-Net CNN模型实现99.1%的准确率、99.74%的召回率和99.42%的F1得分。混合CNN-SVM-Xception模型实现96.7%的准确率和97.88%的F1得分。与现有方法相比，本框架在一致性上优于现有模型。总之，将U-Net与先进的CNN背板相结合为CT扫描中的肺癌分割与分类提供了强大方法，支持早期诊断和临床决策。
引用
@article{arxiv.2507.09898,
title = {Advanced U-Net Architectures with CNN Backbones for Automated Lung Cancer Detection and Segmentation in Chest CT Images},
author = {Alireza Golkarieh and Kiana Kiashemshaki and Sajjad Rezvani Boroujeni and Nasibeh Asadi Isakan},
journal= {arXiv preprint arXiv:2507.09898},
year = {2025}
}
备注
This manuscript has 20 pages and 10 figures. It is submitted to the Journal 'Scientific Reports'