Применение глубокого обучения для классификации легочных узлов на компьютерных томограммах

Рак легкого — одно из наиболее распространенных онкологических заболеваний, а позднее обращение за медицинской помощью может привести к смерти. Компьютерная томография помогает выявлять рак легкого на ранних стадиях. Во многих случаях диагностика зависит от опыта врача, поэтому некоторые случаи могут быть пропущены. Глубокое обучение зарекомендовало себя как эффективный метод в различных областях диагностики по медицинским изображениям. В этой работе для классификации рака легкого разработаны три типа глубоких нейронных сетей: сверточная нейронная сеть (CNN), глубокая нейронная сеть (DNN) и разреженный автоэнкодер (SAE). Сети с некоторыми модификациями применили для классификации легочных узлов на компьютерных томограммах как доброкачественных или злокачественных. Их оценивали на базе данных LIDC-IDRI. Наилучшие результаты показала CNN: точность составила 84,15%, чувствительность — 83,96%, специфичность — 84,32%; эта сеть превзошла две другие.