基于DenseNet的低分辨CT影像肺腺癌组织学亚型分类

为了实现在低剂量、低分辨率CT扫描影像中对肺腺癌组织学亚型的分类鉴别,提出一种基于DenseNet的深度学习方法,从混合性磨玻璃结节(mGGNs)5 mm层厚的低分辨率CT影像中预测IAC和MIA病理分类.从丽水市中心医院105例患者的105个5 mm层厚低分辨率CT图像中选取样本,划分训练集和测试集后,对训练集进行数据扩展,构建深度学习2D和3D DenseNet模型,分类鉴别IAC和MIA.2D DenseNet模型的分类准确度为76.67％,敏感性为63.33％,特异性为90.00％,受试者工作特征曲线下的区域面积为0.8889,显著优于3D DenseNet模型和其他几种深度学习网络模型.深度学习技术,尤其是2D DenseNet模型,可辅助并指导医生在肺癌CT筛查中对患者的肺腺癌组织学亚型进行预判,特别是在图像分辨率较低的情况下,仍能够快速提供较为准确的诊断.