基于深度集成与多模态图像融合的肺癌高效分类
图像与视频处理
2025-02-04 v1 计算机视觉与模式识别
摘要
本研究聚焦于对来自多模态肺部影像（即计算断层扫描（CT）和正电子断层扫描（PET）图像）的癌组织与健康切片进行分类。所提出的策略通过主成分分析（PCA）和自编码器实现 PET 与 CT 图像的融合。随后开发了一种新的集成分类器，Deep Ensembled Multimodal Fusion（DEMF），采用多数投票对待检查的样本图像进行分类。采用梯度加权类激活映射（Grad-CAM）对癌症受累图像的分类准确性进行可视化。鉴于样本数量有限，在训练阶段采用随机图像增强策略。DEMF 网络有助于缓解计算机辅助医学图像分析中稀缺数据数据的挑战。该网络在三个公开数据集上与最先进的网络进行比较。基于准确率、F1 分数、精确率和召回率等指标，网络表现优于其他方法。研究结果凸显了该网络的有效性。
引用
@article{arxiv.2502.00078,
title = {Deep Ensembling with Multimodal Image Fusion for Efficient Classification of Lung Cancer},
author = {Surochita Pal and Sushmita Mitra},
journal= {arXiv preprint arXiv:2502.00078},
year = {2025}
}