CNN-basiertes System verbessert die Erkennung und Klassifizierung von Lungenknoten

Hintergrund und Ziele

Lungenkrebs bleibt weltweit die häufigste krebsbedingte Todesursache. Die frühzeitige Erkennung von Lungenknoten ist entscheidend für eine rechtzeitige Diagnose und eine wirksame Behandlung. Herkömmliche computergestützte Erkennungssysteme haben ihre Grenzen gezeigt, darunter hohe Falsch-Positiv-Raten und geringe Empfindlichkeit. Jüngste Fortschritte beim Deep Learning, insbesondere bei Convolutional Neural Networks (CNNs), haben gezeigt, dass großes Potenzial für die Verbesserung der Genauigkeit und Zuverlässigkeit der Knotenerkennung und -klassifizierung besteht. Ziel dieser Studie war die Entwicklung und Bewertung einer automatischen Methode zur Erkennung und Klassifizierung von Lungenknoten unter Verwendung einer CNN-basierten Architektur, die auf Computertomographiebilder aus der öffentlich zugänglichen LIDC-IDRI-Datenbank angewendet wird.

Methoden

Diese retrospektive Studie wurde an 82 Patienten (10.496 Computertomographieschnitte) durchgeführt, die aus der LIDC-IDRI-Datenbank ausgewählt wurden. Die vorgeschlagene Methode besteht aus fünf Hauptschritten: Bildvorverarbeitung, Lungenparenchymsegmentierung mithilfe der Schwellenwert- und morphologischen Operationen von Otsu, Erkennung von Knötchenkandidaten, Merkmalsextraktion und Klassifizierung mithilfe eines CNN-Modells. Die CNN-Architektur umfasst zwei Faltungsschichten (20 und 30 Filter, 3×3-Kernel), ReLU-Aktivierung, Max-Pooling-Schichten und eine Softmax-Ausgabeschicht. Das Netzwerk wurde mit einer Mini-Batch-Größe von 32 für 50 Epochen unter Verwendung des Stochastic Gradient Descent mit Momentum-Optimierers trainiert (Lernrate = 0,001, Momentum = 0,9). Die Modellleistung wurde im Hinblick auf Sensitivität, Spezifität, Präzision und Genauigkeit bewertet.

Ergebnisse

Das vorgeschlagene CNN-Modell konnte Lungenknötchen erfolgreich erkennen und eine genaue Klassifizierung zwischen gutartigen und bösartigen Knötchen erreichen. Beim LIDC-IDRI-Datensatz erreichte das Modell eine Sensitivität von 98,7 %, eine Spezifität von 97,5 %, eine Präzision von 97,9 % und eine Genauigkeit von 98,4 %. Eine vergleichende Analyse mit aktuellen Studien, einschließlich hybrider CNN-Lang-Kurzzeitgedächtnis- und ResNet-basierter Modelle, zeigte, dass die vorgeschlagene Methode eine wettbewerbsfähige Leistung bietet und gleichzeitig eine geringere Rechenkomplexität beibehält. Die Klassifizierung der Knötchen-Subtypen (fest, teilweise gefrostet, vollständig gefrostet) zeigte zufriedenstellende Unterscheidungsergebnisse.

Schlussfolgerungen

Das vorgeschlagene CNN-basierte System demonstriert die Machbarkeit und Robustheit von Deep Learning für die automatische Erkennung und Klassifizierung von Lungenknoten. Trotz überzeugender Ergebnisse erkennt die Studie Einschränkungen wie die Validierung einer einzelnen Datenbank und eine relativ kleine Trainingsgröße an. Zukünftige Arbeiten werden sich auf die Validierung des Modells über andere Datensätze (z. B. ELCAP, NELSON) und die Optimierung der Klassifizierungsleistung mehrerer Klassen konzentrieren, um die Generalisierbarkeit und klinische Anwendbarkeit zu verbessern.

Quellen: