OMS-CNN: Optimized Multi-Scale CNN for Lung Nodule Detection Based on Faster R-CNN
Notice bibliographique
Résumé
The global increase in lung cancer cases, often marked by pulmonary nodules, underscores the critical importance of timely detection to mitigate cancer progression and reduce morbidity and mortality. The Faster R-CNN approach is a two-stage, high-precision nodule detection method designed for detecting small nodules, particularly in computed tomography (CT) images. This paper presents an improved Faster R-CNN by introducing an optimized multi-scale convolutional neural network (OMS-CNN) technique for feature map generation. This approach aims to achieve an optimal feature map through metaheuristic optimization by combining the last three layers of the VGG16 architecture. The advanced parameter-setting-free harmony search (PSF-HS) algorithm is utilized to implement this method, automatically adjusting the number of channels in the composite layers as a hyperparameter. The beetle antenna search (BAS) optimization algorithm is utilized to effectively initialize the kernel filter weights and biases in the composite layers, thereby enhancing training speed and detection accuracy. In the false-positive reduction stage, a combination of multiple 3D deep convolutional neural networks (3D DCNN) is designed to reduce false-positive nodules. The proposed model was evaluated using the LUNA16 and PN9 datasets. The results demonstrate that the OMS-CNN technique effectively extracted representative features of nodules at various sizes, achieving a sensitivity of 94.89% and a CPM score of 0.892. The comprehensive experiments illustrate that the proposed method can enhance detection sensitivity and manage the number of false positive nodules, thereby offering clinical utility and serving as a valuable point of reference.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».