换一批基于深度学习的不同CT阈值下肺腺癌实性成分浸润性预测
Deep learning based prediction of solid component infiltration in lung adenocarcinoma under different CT thresholds
摘要目的:探讨不同CT阈值对3种深度学习模型在肺结节分类任务中的影响,以期寻找能够提高模型分类性能的最佳阈值,从而为肺结节的精准诊断提供参考.方法:收集某三甲医院113例肺腺癌(176个肺结节)患者的CT影像数据,选取5个不同的CT阈值,分别基于卷积神经网络、残差网络和卷积长短期记忆网络3种模型对肺结节进行分类,并计算各模型在不同阈值下的AUC-ROC值、准确率、精确率和召回率.结果:随着CT阈值逐渐升高,3种模型的分类性能总体上呈现出上升趋势,特别是在-200 HU阈值下,所有模型的AUC-ROC值均达到最高点,卷积神经网络、残差网络、卷积长短期记忆网络分别为0.855、0.870和0.860.然而,阈值进一步提高至-100 HU后,模型的性能有所下降.结论:CT阈值的选择对深度学习模型在肺结节分类中的表现具有显著影响,-200 HU可能是最佳阈值.在该阈值下,模型的分类性能达到最优.未来的计算机辅助诊断系统应考虑在该阈值附近进行CT图像预处理,以提高肺结节的诊断准确率.
更多相关知识
栏目名称
DOI
10.3969/j.issn.1005-202X.2026.01.008
发布时间
2026-02-03（万方平台首次上网日期，不代表论文的发表时间）
基金项目
陕西省自然科学基金基础研究计划项目（2023-JC-QN-0849）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
