用于肺结节分类的灰度共生矩阵深度融合
图像与视频处理
2022-11-08 v2 计算机视觉与模式识别
机器学习
摘要
肺癌对人类健康构成严重威胁，因癌症晚期诊断导致数百万人死亡；因此尽早发现该病至关重要。计算机胸部分析断层扫描被视为检测和分类肺结节的有效方案之一。分析肺部 CT 扫描图像高准确度的必要性被视为检测和分类肺癌的关键挑战之一。本文引入了一种基于长短期记忆（LSTM）的新型深度融合结构，其中通过新型体积灰度共生矩阵（GLCM）计算从肺结节得到的纹理特征被用于将结节分类为：良性、恶性和不确定。提出了一种结合水黾优化算法（WSA）的改进 Otsu 分割方法来检测肺结节。Otsu-WSA 阈值法可克服先前阈值方法的局限。通过考虑基于 2D-GLCM 计算的 2D 切片融合，以及用基于体积 2.5D-GLCM 计算的 LSTM 融合结构对该 3D-GLCM 的近似，进行了扩展实验以评估此融合结构。所提方法通过 LIDC-IDRI 数据集进行训练和评估，其中 2D-GLCM 融合分别获得 94.4%、91.6% 和 95.8% 的准确率、灵敏度和特异性，2.5D-GLCM 融合分别获得 97.33%、96% 和 98% 的准确率、灵敏度和特异性。3D-GLCM 融合的相应结果为 98.7%、98% 和 99%。所得结果与分析表明，WSA-Otsu 方法所需执行时间更短且给出更准确的阈值处理过程。研究发现基于 3D-GLCM 的 LSTM 优于其对应方法。
引用
@article{arxiv.2205.05123,
title = {Deep fusion of gray level co-occurrence matrices for lung nodule classification},
author = {Ahmed Saihood and Hossein Karshenas and AhmadReza Naghsh Nilchi},
journal= {arXiv preprint arXiv:2205.05123},
year = {2022}
}
备注
24 pages, 6 figures, 80 references