用于非小细胞肺癌分类的多模态医学图像融合
图像与视频处理
2024-10-08 v1 人工智能
计算机视觉与模式识别
摘要
非小细胞肺癌（NSCLC）是全球癌症死亡的主要原因，其早期检测和精细的亚型分类是一个关键且复杂的问题。在本文中，我们引入了一种创新的多模态数据整合方法，将融合的医学成像（CT 和 PET 扫描）与临床健康记录和基因组数据相结合。这种独特的融合方法利用先进的机器学习模型，特别是 MedClip 和 BEiT，进行复杂的图像特征提取，为计算肿瘤学设定了新标准。我们的研究超越了现有方法，NSCLC 检测和分类精度的显著提高证明了这一点。结果显示，在准确率、精确率、召回率和 F1 分数等关键性能指标上均有显著改善。具体而言，我们领先的多模态分类器模型记录了 94.04% 的出色准确率。我们相信，我们的方法有潜力改变 NSCLC 诊断，促进早期检测和更有效的治疗规划，最终在肺癌护理中带来卓越的患者预后。
引用
@article{arxiv.2409.18715,
title = {Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification},
author = {Salma Hassan and Hamad Al Hammadi and Ibrahim Mohammed and Muhammad Haris Khan},
journal= {arXiv preprint arXiv:2409.18715},
year = {2024}
}