Абстракт

Рак плућа остаје један од водећих узрока смртности повезане са раком широм света, због чега прецизна карактеризација плућних чворића представља важан дијагностички изазов [1], [2]. Овај рад истражује примену тродимензионалних конволуционих неуронских мрежа (3D CNN) и фракталне анализе за класификацију плућних чворића на снимцима компјутеризоване томографије (ЦТ). Истраживање је спроведено коришћењем јавно доступног LIDC-IDRI скупа података. Након претпроцесирања и искључивања чворића са неодређеном оценом малигнитета, формиран је скуп података за бинарну класификацију који садржи 1.651 чворић. Имплементиран је и евалуиран основни 3D CNN модел, након чега је урађена статистичка анализа фракталне димензије методом бројања кутија (box-counting) и развијени хибридни модели који комбинују обележја дубоког учења са ручно пројектованим квантитативним карактеристикама. Статистичка анализа је показала да малигни чворићи испољавају значајно више просечне вредности фракталне димензије у односу на бенигне чвориће (p = 0,01348), иако је величина ефекта била мала (Коенов d = 0,13). Основни 3D CNN остварио је тачност од 77,42%, док је хибридни модел који комбинује 3D CNN обележја и фракталну димензију достигао 80,08%. Најбоље резултате остварио је проширени хибридни модел који интегрише 3D CNN обележја, фракталну димензију и пречник чворића, достигавши тачност од 80,88%, F1-score од 0,6923 и ROC AUC од 0,8579. Наоди указују на то да комбиновање дубоког учења са интерпретабилним квантитативним карактеристикама може унапредити класификацију плућних чворића и подржати развој поузданијих система за рачунарски потпомогнуту дијагностику.