LungDetectNet: a multi-task deep learning framework with enhanced detection and descriptive capabilities

doi:10.1016/j.bspc.2025.109158

LungDetectNet: a multi-task deep learning framework with enhanced detection and descriptive capabilities

2025-11-18

0

OA

AI

DOI：10.1016/j.bspc.2025.109158

原文链接

查看原文

摘要

En 中文

人工智能已显著改变了医学图像分析，特别是在从计算机断层扫描（CT）图像中进行肺癌早期诊断方面。该诊断过程中的关键步骤是准确识别肺结节，它们是潜在恶性的主要指标，但由于其尺寸小且特征细微，这一识别任务仍然具有挑战性。尽管高效的3D目标检测框架（如MedYOLO）提供了有前景的方法，但针对此特定任务的最优架构尚未明确建立。为解决此问题，我们介绍了LungDetectNet框架，该框架推进了MedYOLO方法以用于3D肺结节检测。这一进步是通过系统研究YOLO骨干网络的演进实现的，该研究显示，随着更先进的骨干网络架构设计的集成，性能得到明显提升。除了检测外，框架还集成了回归头以预测每个检测到的结节的七个描述性属性：Subtlety、Sphericity、Margin、Lobulation、Spiculation、Texture和Malignancy。在基于LIDC-IDRI数据集建立的新基准测试中，我们的最终模型达到Mean Average Precision（MAP）0.793，精度为0.896，召回率为0.664。对于多任务回归目标，该模型同样表现出色，平均绝对误差（MAE）为0.516。这些结果表明，LungDetectNet有望提升早期肺结节检测并提供建细的诊断见解，从而支持临床决策并改善患者护理。

Keyword:

Artificial intelligence

Computer vision

Medical image analysis

Lung nodule detection

CT imaging

LungDetectNet: a multi-task deep learning framework with enhanced detection and descriptive capabilities

摘要

AI总结

期刊

机构

引用论文