使用DenseNet和CNN通过数据融合和移动边缘计算增强肺癌诊断

摘要

通过卷积神经网络（CNN）在计算机断层扫描（CT）中的应用，肺癌自动诊断的最新进展标志着医学成像和诊断的重大飞跃。这些基于CNN的分类器在检测和分析肺癌症状方面的准确性为早期检测和治疗规划开辟了新的途径。然而，尽管取得了这些技术进步，但仍有一些关键领域需要进一步勘探和开发。在这种情况下，计算机辅助诊断系统和人工智能，特别是区域建议网络、双路径网络和本地二进制模式等深度学习方法，已成为关键。然而，这些方法面临着诸如可解释性有限、数据可变性处理问题和泛化不足等挑战。应对这些挑战是加强早期检测和准确诊断的关键，也是有效治疗规划和改善患者预后的基础。本研究介绍了一种先进的方法，该方法将卷积神经网络（CNN）与DenseNet相结合，利用数据融合和移动边缘计算进行肺癌识别和分类。数据融合技术的集成使系统能够合并来自多个来源的信息，增强模型的鲁棒性和准确性。移动边缘计算通过使计算资源更接近数据源，加快了CT扫描图像的处理和分析，这对实时应用至关重要。图像经过预处理，包括调整大小和缩放，以优化特征提取。通过数据融合和边缘计算能力增强的DenseNet-CNN模型擅长从这些CT扫描中提取和学习特征，有效区分健康肺组织和癌肺组织。分类类别包括正常、良性和恶性，后者进一步分为腺癌、鳞癌和大细胞癌。在受控实验中，该方法优于现有的最新方法，达到了令人印象深刻的99%的准确率。这表明它有潜力成为肺癌早期检测和分类的有力工具，是医学成像和诊断技术的重大进步。

介绍

肺癌是现代医学中最重大的健康挑战之一。作为全球癌症相关死亡的主要原因，它每年影响数百万人，无论其性别或背景如何[1]. 肺癌的重要性不仅在于其发病率，还在于其对患者生活和医疗系统的影响。肺癌的关键挑战之一是其典型的晚诊断。许多患者出现晚期疾病，因为早期肺癌通常不会引起明显症状[2]. 这种检测延迟严重阻碍了有效的治疗选择，导致存活率降低。例如，当肺癌在早期被诊断时，5年生存率可以高达56%，但在晚期，这一比率急剧下降到约5%[三]. 此外，肺癌因其相关的医疗费用及其对患者生活质量的影响而带来了巨大的负担[4,5]. 肺癌的治疗，可能包括手术、化疗、放射治疗，或两者的结合，对患者及其家人来说，可能会在身体和情感上造成负担[6]. 肺癌的治疗往往很昂贵，给个人和医疗系统带来了经济负担，这一事实使情况更加复杂[7].

肺癌的重要性也延伸到公共卫生和预防领域[8]. 许多肺癌病例都与可预防的原因有关，尤其是吸烟，吸烟是世界范围内肺癌的主要病因[9]. 这强调了以戒烟和减少接触二手烟、空气污染和职业危害等肺癌风险因素为重点的公共卫生举措的重要性。近年来，研究和技术的进步，特别是在早期检测和靶向治疗领域，带来了新的希望[10]. 改进的筛查技术，如对高危人群进行低剂量CT扫描，有可能提前发现肺癌，从而改善治疗结果[11]. 此外，靶向治疗和免疫治疗的发展彻底改变了肺癌的治疗格局，提供了更个性化和有效的治疗选择[12]. 肺癌诊断技术的进步已成为一个关键的研究领域，特别是考虑到放射图像的复杂性和不规则性，这对放射学家提出了重大挑战[13]. 肺癌以形成恶性结节为特征，需要准确、早期检测才能有效治疗。在这种情况下，计算机断层成像（CT）已成为一种优越的诊断工具，优于传统的放射成像方法[14]. 它能够准确描绘癌结节的大小和位置，这使得它在肺癌的早期检测中不可或缺。值得注意的是，研究表明，低剂量CT筛查大大提高了早期恶性肿瘤检测，导致死亡率显著降低20.0%，同时阳性筛查结果的发生率也较高[15].

然而，CT图像的分析是复杂和耗时的，需要先进的计算辅助。在这种情况下，深度学习（DL）算法，特别是卷积神经网络（CNN），已经得到了重视。DL是机器学习的一个复杂分支，它利用结构化、层次化的数据处理从复杂数据集中提取高级摘要。在医学成像中，这种方法被证明是无价的。通过对广泛的CT扫描数据集进行训练，DL算法可以识别和解释肺癌的模式，使其能够预测疾病的存在[16,17].

深度学习是机器学习的一个子集，是一种基于人工神经网络的方法，其灵感来自人脑的结构和功能。深度学习模型特别擅长处理大量数据，学习复杂模式，并根据这些模式做出明智的决策。这些功能使深度学习在涉及图像识别、自然语言处理以及至关重要的医学图像分析的任务中非常有效[18,19].

在肺癌分类的背景下，深度学习模型，特别是卷积神经网络（CNN），已经成为工具。CNN被设计用于从输入图像中自动自适应地学习特征的空间层次。这是通过一系列模仿人类视觉皮层的层来实现的，这些层处理图像的各个方面，例如边缘、纹理和复杂图案[20,21].

在肺癌分类中的应用

图像预处理

使用深度学习进行肺癌分类的第一步是对输入图像进行预处理。就肺癌而言，这是典型的CT扫描。预处理可能包括调整图像大小、增强对比度和消除无关噪声。这种标准化对于模型关注相关特性至关重要。

特征提取

图像经过预处理后，CNN开始特征提取任务。这包括卷积层应用各种过滤器来检测形状、边缘和纹理等特定特征。每一层提取出越来越复杂的特征：最初的层可能识别简单的边缘，而较深的层可能会识别与肺结节相关的更复杂的结构。

分类

特征提取后，模型使用这些特征对图像进行分类。在肺癌分类中，这通常包括将扫描分为正常、良性或恶性类别，并可能进一步分类肺癌类型，如腺癌或鳞癌。这通常是使用网络中的全连接层来完成的，该全连接层解释由卷积层提取的特征以做出分类决策。

模型培训和验证

训练肺癌分类的深度学习模型需要输入一个标记CT扫描的大数据集。该模型通过调整其内部参数来学习，以最小化其预测与实际标签之间的差异。验证是使用模型在训练期间未看到的一组单独的图像来评估其准确性和通用性。

临床实践中的解释和整合

最后一步是在临床环境中解释模型的输出。这包括将模型的分类与放射科医生的专业知识相结合，以确保准确的诊断和治疗计划。该模型的可解释性，或其提供洞察其为什么进行某种分类的能力，对于获得医生的信任至关重要。

对肺癌分类的深入学习有助于高度准确、高效和早期检测肺癌，这对改善患者预后至关重要[22]. 然而，诸如确保模型在不同人群和CT扫描机中的可推广性，以及需要大型注释数据集进行训练等挑战仍然是正在进行的研究和开发的关键领域[23]. DL在医学成像中的功效超越了肺癌。研究人员已经成功地将这些算法应用于各种癌症的检测，包括前列腺癌、颈癌、头癌、乳腺癌、皮肤癌，甚至脑肿瘤的识别[24]. 这些成就突出了DL在医学诊断中的变革潜力，为快速、准确和高效地分析医学图像提供了途径。

DL在肺癌诊断中的集成不仅提高了诊断的准确性，而且显著减少了放射科医生解释复杂CT图像所需的时间[25]. 先进的计算方法和传统医学专业知识之间的这种协同作用为癌症诊断的新时代铺平了道路，在癌症诊断中，精度和速度至关重要。随着DL的不断发展和改进，其在医学成像中的应用有望扩大，为各种形式癌症的早期检测和治疗提供了广阔的前景[26,27].

本研究在使用综合卷积神经网络（CNN）和DenseNet网络方法进行肺癌检测和分类方面的主要贡献如下：

• CNN和DenseNet网络的创新集成：该研究通过结合CNN和DenseNet模型引入了一种开创性的方法。这种集成利用了两种架构的优势：CNN在特征提取方面的熟练程度和DenseNet在分析图像结构方面的有效性。与传统方法相比，这种协同作用增强了模型解释复杂CT扫描图像的能力。

• 提高肺癌检测的准确性：这项研究最重要的贡献之一是在识别和分类肺癌方面实现了99%的准确率。这种高水平的准确度表明了这种方法在临床环境中的潜在有效性，超过了许多现有的先进技术。

• 肺部疾病的有效分类：该研究成功地将肺部疾病分为正常型、良性型和恶性型，并进一步将其分为恶性型（腺癌、鳞癌和大细胞癌）。这种详细的分类对于个性化患者治疗计划和管理至关重要。

• 应对数据可变性和可解释性的挑战：该方法有效地处理了CT扫描图像的固有变异性，提高了放射科医生对这些图像的可解释性。这解决了现有诊断技术中的一个重大差距，这些诊断技术经常与数据可变性和缺乏通用性作斗争。

• 早期发现和改善患者预后的潜力：通过早期准确检测肺癌，该方法有可能显著降低与疾病相关的死亡率，并改善患者的总体预后。

• 其他形式癌症的可扩展性和应用：While以肺癌为重点，本研究中开发的原理和方法对其他类型的癌症诊断具有指导意义，表明该方法具有潜在的可扩展性和适应性。

这些贡献突出了该研究对推进肺癌诊断的影响，可能会改变当前的做法，并为放射科医生在肺癌早期检测和分类中提供更有效、准确和可靠的工具。

相关工作

在快速发展的肺癌检测和分类领域，开发了一系列利用深度学习和人工智能能力的方法，每种方法都为提高诊断准确性和效率做出了独特贡献。

创新的深度学习策略

亨德里克斯（Hendrix）等人提出的利用血管过滤器的高级深度学习模型在提高3 mm小结节的检测精度方面显示出了希望，标志着在识别早期肺癌方面迈出了重要一步[28].

Neil Jousha和他的团队开发的3D深度CNN模型是该领域的一个里程碑，在结节识别方面达到了98%的异常准确率，为肺癌诊断树立了新标准[29].

结合基于知识的系统和机器学习

郭浩及其同事证明，知识系统与CNN的集成为预测肺癌相关死亡率提供了一种新方法[30]. 将数据增强和SVM与CNN结合使用，展示了一种利用多种人工智能技术提高预测准确性的创新方法[31].

探索DenseNet和多个基于视图的模型

Quasar和团队使用DenseNet CNN模型[32]以及Munoz-Aseguinolaza及其同事推出的多个基于视图的深度CNN，强调了正在努力完善肺癌分类方法，实现了激发进一步研究和应用的准确率[33].

基于区域的CNN和深度强化学习

Mridha、Hussain ali和Iqbal的工作将基于区域的CNN与主动和自定步调的学习方法相结合，强调了专门的神经网络训练在改进肺癌检测方面的潜力[34,35,36].

陈对深度强化学习模型的探索，如DQN和H-DQN，为肺癌分类开辟了新途径，利用多层神经网络进行复杂的数据分析[37].

3D CNN和基于ANN的模型可提高灵敏度

研究中开展的三维CNN和基于ANN的模型的开发[38]和[39]分别强调了深度学习架构在肺癌检测中实现高灵敏度和准确性方面的不断发展。

MLP和自动化综合分析方法

Qing Gao和Li Y及其同事使用MLP对肺结节突变进行分类，以及使用自动神经网络系统进行肺癌诊断的其他研究，说明了人工智能在理解和解释复杂医学数据方面的多种应用[40,41].

转移学习和专门的CNN模型

实施基于转移学习的模型，如Inception v3，以及用于早期肺癌检测的专门CNN模型，尽管在准确性方面面临挑战，但这是开发适应性强、高效诊断工具的重要步骤。

非小细胞肺癌和组织病理学分析的多种技术

利用中值滤波、分割和基于转移学习的深度剩余神经网络等技术对非小细胞肺癌进行的研究表明，正在探索多种方法来应对各种类型的肺癌[42,43].

用于早期检测的混合模型和数据集成

Moitra等人创新性地使用混合模型（如MSER-SURF），并将实验室和临床数据集成用于早期检测，这意味着将各种数据类型和分析方法结合起来，形成更全面的肺癌诊断方法的发展趋势[44].

新趋势和未来方向

这些研究的一致主题是在肺癌检测中追求更高的准确性、敏感性和特异性。未来的研究可能会侧重于增强这些模型在不同人群中的通用性，集成多模态数据源，并改进人工智能系统的可解释性，以更好地支持临床决策。人工智能在肺癌个性化治疗、预测患者预后以及在手术过程中帮助实时决策方面的潜力也是未来探索的一个重要领域。

拟议方法

建议的方法如图所示1获取CT扫描图像数据集，并使用缩放和大小调整进行预处理，以满足CNN对输入图像数据的要求。数据增强、定义CNN层、特征提取和优化、模型训练和分类是下一节介绍的主要步骤。

图1

拟议方法框图

结合DENSENET121和卷积神经网络（CNN）设计肺癌分类算法，以及预处理步骤，涉及几个关键阶段。以下是算法的结构化概要：

算法1Densenet121+CNN用于肺癌分类

结果

利用各种评估矩阵，包括训练准确度和验证准确度、训练损失和验证损失、准确度、召回率、f1核和混淆矩阵，评估所提出的模型在使用CT扫描图像进行肺癌分类时的性能。混淆矩阵有助于将正确预测的总数表示为\（{{\text{T}}{{\text{p}}}\）（真阳性）和模型错误预测的真标签数量\（{{text{F}}_{text{n}}}\）（假阴性）。它还包括\（{{\text{F}}{{\text{p}}}\）（误报）和\（{{text{T}}_{text{n}}}\）（真阴性）。事实证明，它有助于评估F1得分、准确性和训练模型的回忆。精度是正确预测的真实标签与模型预测为真实的标签总数的比率，如下所示：

$${\text{Precision}}=\frac{{\text}}}_{{text{p}}}{{\text{T}}}{{{\ttext{p{}}+{{text{F}}{$$

(1)

召回率，也称为灵敏度或真阳性率，是指正确预测的真标签在所有真标签中所占的比例。其计算公式如下：

$${text{Recall}}=\frac{{text{T}}}_{{text}}}}{{text{T}{}}}$$

(2)

F1-核被计算为召回率和准确性的调和平均值。以下标准用于评估模型准确性：

$${\text{F}}1\mathrm{\；score}=2\mathrm}x}\frac{{text{precision}}*{\text}recally}}{{text}precison}}+{text{recally{}}}$$

(3)

准确性是用于模型性能的评估指标，表示正确预测的百分比。它表示在测试阶段正确分类的图像总数。计算如下：

$$\mathrm{精度}=\frac{{\text{T}}}_{{text{p}}+{text{T}{{{\text{n}}}{{}}}\text{F}}_{\text{n}}}}$$

(4)

混淆矩阵

在肺癌类型的分类中，特别是肺鳞癌（SCC）、正常肺组织（N）和肺腺癌（ACA），混淆矩阵的重要性是多方面的。它是评估诊断模型准确性和可靠性的关键工具。通过对每种肺组织类型的真、假阳性和阴性进行详细分类，可以对模型的性能进行细致的分析。这在医疗诊断中尤其重要，因为错误分类的成本可能很高。例如，矩阵可以突出显示模型是否容易将肺鳞癌与肺ACA混淆，或者是否能够准确区分癌组织和正常组织。这些见解在完善模型、确保精确诊断和为临床决策提供信息方面是非常宝贵的。此外，在区分不同癌症类型对治疗规划至关重要的领域，混淆矩阵提供了模型诊断能力的基本定量度量。表格1是用于区分肺腺癌（ACA）、正常肺组织（N）和肺鳞癌（SCC）的分类模型的混淆矩阵。以下是对数据的解释：

表1混淆矩阵

肺腺癌（ACA）：

真阳性（TP）：1493例确诊为肺ACA。

假阴性（FN）：19例肺鳞状细胞癌被错误识别为肺ACA。

假阳性（FP）：3例肺N被错误识别为肺ACA。

该模型在识别肺部ACA方面表现出很强的性能，但与肺部SCC有一些混淆。

正常肺（N）：

TP:1517例被正确鉴定为正常肺组织。

FN：没有肺鳞状细胞癌被误认为正常肺组织的病例。

FP：只有1例肺ACA被错误识别为正常肺组织。

这表明在正确识别正常肺组织方面表现出色，且误分率极低。

肺鳞癌（SCC）：

TP:1458例被正确诊断为肺鳞状细胞癌。

FN：9例肺ACA被错误地确定为肺SCC。

FP：与正常肺组织无误分类。

该模型在识别肺部鳞状细胞癌方面非常准确，尽管它与肺部ACA存在一些混淆，如表所示1总的来说，该模型在对这些肺部疾病进行分类时显示出了很高的准确性，其中最明显的混淆发生在肺ACA和肺SCC之间。每种类型的假阳性和假阴性的数量都很低，这表明该模型在区分这些肺部疾病方面具有稳健性，这对于医疗实践中的准确诊断和治疗规划至关重要。

评估矩阵

表中的性能矩阵2显示了评估用于分类肺癌类型的模型的各种指标：肺腺癌（ACA）、正常肺组织（N）和肺鳞癌（SCC）。

表2分类评估矩阵

精密度

高精度值（Lung ACA为0.992，Lung N为0.999，Lung SCC为0.987）表明该模型的假阳性率较低。它很少将其他类型的肺组织误分类为这些特殊情况。

召回

高召回分数表明，该模型在识别每种疾病的真实病例方面都是有效的，在识别正常肺组织（0.998）和肺鳞状细胞癌（0.994）方面表现尤为突出。

F1得分

F1的得分是准确度和召回率之间的平衡，在所有类别中都很高，表明该模型既准确又可靠。

特异性

近完美的特异性，尤其是对于肺N（1.000），显示了该模型在正确识别阴性方面的优势，即正确识别非癌或不同的癌症类型。

错误遗漏率（FOR）和错误发现率（FDR）

两者都很低，分别表明假阴性和假阳性率较低。

负预测值（NPV）

高NPV值表明，当模型预测组织类型不存在时，很可能是正确的。

假阴性率（FNR）

这些都很低，这意味着该模型很少遗漏每种组织类型的实际病例。

马修斯相关系数（MCC）、提花指数和骰子系数

这些值都很高（接近1），表明整体表现优异，预测值和实际值之间存在很强的相关性。

错误率

在0.004时，这表明总体错误分类率很低。

准确性

0.993的高精度表明，该模型在绝大多数情况下正确地分类了组织类型。

总之，该模型在区分肺部ACA、肺部N和肺部SCC方面表现出卓越的性能，具有较高的准确性和可靠性，使其成为医疗诊断和治疗规划的有力工具。

结论

结论强调了卷积神经网络（CNN）在医学成像方面的进步和潜力，特别是在使用CT扫描进行肺癌识别和分类方面，这一结论确实是有根据的。结合DenseNet121在这方面的重要性，进一步加强了这一结论。作为稠密卷积网络（DenseNet121）的一种变体，DenseNet121带来了一种独特的体系结构，与传统CNN相比，它可以用更少的参数更有效地训练神经网络。其设计的特点是以前馈方式将每一层相互连接，确保网络中各层之间的信息流达到最大。这一点在医学成像中尤其重要，因为捕捉复杂的细节对准确诊断至关重要。

在肺癌识别和分类领域：

• 特征提取：DenseNet121擅长从CT扫描图像中提取详细特征，这对于识别肺癌的细微和早期征兆至关重要。这提高了检测率，尤其是对于经常难以检测的小结节。

• 减少过拟合：DenseNet121的架构从本质上降低了过拟合的风险，这是医学成像任务中的一个常见挑战，因为带注释的医学图像的可用性有限。这是通过有效使用参数和特征重用来实现的，从而生成更健壮的模型。

• 增强的梯度流：所有层之间的直接连接确保梯度流在整个网络中保持不变，有助于在没有消失梯度问题的情况下进行更深入的模型训练。这对于学习复杂的高维医学图像（如CT扫描）特别有益。

• 提高了准确性和效率：DenseNet121在肺癌检测和分类的各种研究中，在准确性方面表现出了卓越的性能。此外，它对参数的有效使用降低了计算量，加快了训练和推理速度，这在时间通常是关键因素的临床环境中至关重要。

因此，将DenseNet121集成到使用CT扫描进行肺癌检测和分类的基于CNN的方法中，不仅提高了这些模型的性能，而且还意味着在利用深度学习进行医学诊断方面取得了显著进步，可能会导致更早、更准确的肺癌检测。